原文传递
基于交通RFID数据的路径优化与预测
| 论文题名： | 基于交通RFID数据的路径优化与预测 |
| 关键词： | 交通预测;路径优化;射频识别;时空图卷积网络;A*算法;LSTM |
| 摘要： | 随着通信、定位等技术发展，产生的海量时空数据技术发展带来挑战与创新动力。交通作为国民经济的命脉，其相关的大数据挖掘分析与智能应用也越发受到关注。射频识别(RadioFrequencyIdentification，RFID)技术作为物联网基本技术之一，可以提供精度高、信息维度丰富的交通数据，对RFID交通数据进行研究有助于解决交通流量预测、路网最优路径搜索等问题，进一步改善交通、便利人民出行。 然而，目前对交通数据的分析挖掘与应用还存在一些不足。路网尤其是城市路网中，道路复杂、交通情况多变，且受到时间、位置等多种因素的影响，具有复杂时空特性。现有方法往往基于统计学或机器学习，许多方法未同时考虑长期交通历史信息的影响、邻近区域交通状况的影响，这使得模型无法挖掘交通场景的时间或空间规律、模型性能较差；一些方法虽然对时空信息进行了整合，但没有针对移动对象的轨迹数据特征进行深入研究、对交通场景中丰富的语义信息有所忽视。针对以上问题，分别对交通流量预测问题和路网最优路径搜索问题进行探索，在南京交通部门采集的RFID数据集上展开研究，做出了如下的工作： (1)针对RFID交通数据集中数据冗余、缺失、异常等问题，以及交通问题对轨迹数据连续性的要求，提出完整的RFID数据预处理算法，使用拉格朗日插值方法对缺失数据进行插补，采用小波去噪、聚类等方法进行异常值清洗，同时提出对移动对象轨迹序列化、连续化的处理方法，并对数据进行归一化等操作以适用于机器学习模型，有效提高交通数据质量。 (2)路网中交通流量具有显著时空特性、受多种因素影响，因此提出ID-STGCN流量预测模型。该模型属于时空图卷积网络，能有效学习交通数据时空特性，同时引入了RFID数据集提供的多种路网特征属性作为流量预测依据，使用残差结构、门结构等加强模型对长期历史信息的学习、减轻梯度弥散、加速收敛。实验表明ID-STGCN方法的预测准确率高于传统的统计学方法和LSTM、STGCN等机器学习模型。 (3)针对实际场景中出行依赖未来交通状态、邻近区域对路网节点影响显著的情况，提出基于预测的路网最优路径深度搜索方法GCN-Search。该方法对路网变化进行建模预测，扩展路径搜索的深度、定义节点的深度估价函数，结合A*启发式思想搜索利于整体最优的节点，得到未知环境下的近似最优解。实验结果表明，GCN-Search算法可以有效利用RFID数据中的时空语义信息，提升动态路网中最优路径搜索的准确率。 |
| 作者： | 费珂 |
| 专业： | 计算机科学与技术 |
| 导师： | 秦小麟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
