原文传递
智慧城市下的带有缺失值的细粒度流量推断
| 论文题名： | 智慧城市下的带有缺失值的细粒度流量推断 |
| 关键词： | 智慧城市;交通流量预测;流量推断;时空注意力;多任务学习的 |
| 摘要： | 近年来，随着人工智能技术的蓬勃发展，智慧城市的建设已经逐渐成为城市发展的重要方向之一，其应用领域已经涵盖了城市管理、生活、经济等多个方面。在智慧城市中，交通流量是一个非常重要的指标，它涉及到城市的交通运行、拥堵、城市规划等多个方面。目前大多数研究专注于城市的交通流量预测，并取得了丰富的研究成果，但在带有缺失值的细粒度流量推断方面还存在一定的不足。本文旨在城市交通流量预测和带有缺失值的流量推断两个方面进行深入的研究。 城市区域交通流量预测在智慧城市建设中具有重要的作用，然而现有的城市区域交通流量预测研究主要为基于历史时刻完整的流量图对未来整个城市区域流量进行预测。而本文研究问题是基于历史时刻不完整的流量预测当前时刻完整流量图的工作。首先给出了问题的具体定义和相关符号描述，然后提出的基于时空注意力学习的城市流量预测模型，不仅仅针对流量图的时间连续属性和空间区域邻近属性设计了时空注意力模块，并且还针对空间旋转型和时间周期性提出了两个时空吸引约束损失函数用于约束网络进一步提升模型的时空特征提取能力。所有的实验结果证明了本文所提出的模型的有效性，并且具有模型参数少、超参数敏感性低和不依赖外部数据集的优势。 城市细粒度流量推断任务是城市区域流量预测中的重要问题，其研究为智慧城市所需要布置的传感器数量的减少提供了巨大的帮助，但是目前真实场景下的问题是原始的粗粒度的交通流量图存在缺失情况。而本文针对这些问题的同时,又考虑到粗粒度与细粒度之间的流量复杂关系性，设计了一种适合时空数据挖掘的通用框架，共包含了两个网络，一个是包含了非对称式的编码器解码器架构的模型，另一个是只包含了空间注意力学习的细粒度解码器。在解决粗粒度缺失值预测问题的同时又能进一步解码粗粒度时空特征，进行细粒度特征的重建和降维处理。经过大量的实验结果证明，所提方法在粗粒度缺失值流量的预测问题上具有优越性，并且在带有缺失值的细粒度流量推断问题上也具有先进性。 本文第一个工作解决了城市流量预测中的数据不完全预测问题，并且在此基础上延伸出了基于多任务学习的带有缺失值的细粒度流量推断工作。在算法层面，两个任务的算法具有连续性、一致性和拓展性。 |
| 作者： | 王瑞丰 |
| 专业： | 人工智能 |
| 导师： | 尹义龙;宫永顺 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
