论文部分内容阅读
为缓解城市交通拥堵问题,智能交通系统受到了越来越多的重视。对智能交通系统实时决策的基础支撑——短时交通流预测的研究就变得格外重要。在可用数据匮乏的研究初期,学者们只能依靠专家经验建模,预测能力十分有限。随着交通数据传感器的广泛铺设,积淀了大量历史数据,从而推动了数据驱动模型的开发研究。近几年受益于专用计算设备的快速发展,设计基于深度学习的数据驱动模型一直是交通预测领域的研究热点。但是大量研究止步于捕捉时间短期依赖,在如何考虑时间长期依赖性上并没有很好的方案,而且在结合路网空间相关性方面的研究也尚未成熟。本课题为充分考虑时空特性,设计了一种新型的城市高速公路网时空预测模型,具有较以往深度学习模型更优的预测性能。在考虑短期依赖性方面,设计了倒齿形栅格循环单元,并结合序列映射通用框架,建立了短期依赖模型。通过重新审视门控循环单元状态流走向,发现按照类似“倒齿形”的路线流通状态信息不仅减少了状态变量数,而且增强了短期依赖捕捉能力。此外,采用序列映射通用框架设计,充分考虑到了未来连续多个时刻之间的短期依赖性。通过真实数据验证,该模型相比常用深度学习模型预测结果更好。在针对长期依赖性上,通过剪切重构输入张量,再喂入卷积神经网络进行特征升维,并在模型顶部接入短期依赖模型,获得了较以往模型更好的预测性能。在捕捉交通流周期特性方面,开发了结合周期趋势项提取与倒齿形栅格循坏模块的周期模块,通过融入现有模型,提升了预测性能。为结合路网局部空间相关性,通过引入图卷积神经网络研究领域的扩散卷积算子,并考虑时空融合方式,开发了一种新型的路网时空预测模型。扩散卷积算子考虑了路网的方向性,这符合交通路网的实际情况,通过实验分析也证明了采用扩散卷积的时空预测模型性能优于采用图谱卷积的模型。本文最后通过充分考虑时间长期依赖、周期特性及空间相关性,设计了一种新型的城市高速路网时空预测模型,获得了本文最佳的预测性能。