基于时空特征分析的交通流预测研究.pdf

基于时空特征分析的交通流预测研究 摘 要 随着城市化进程加快，道路交通负载压力逐步变大，迫切需要对其进行科学的管 理与调度，发展智能交通系统(ITS)势在必行。交通流预测是 ITS 的基础，旨在根据交 通网络中的历史数据等信息预测未来的路网状态。实时准确的交通流预测可以提供未 来的路况信息，对交通管理至关重要。 交通流数据具有动态的时空相关性特征，使得对其准确地预测工作存在较大挑战 性。现有交通流预测方法主要集中于抓取历史数据的时间序列特征，对于交通网络中 动态的空间相关性特征分析不足，导致预测结果与真实值有较大偏差。本文针对这一 问题，研究提出利用图卷积网络和时空注意力机制来对交通流的速度进行预测，具体 工作如下： 首先，引入图卷积对交通流数据的空间特征进行挖掘，构建了一种时空图卷积网 络模型(GTCN)来用于交通流预测任务。模型包含多个由图卷积网络和门控时间卷积网 络组成的时空图卷积层。其中，图卷积网络用于捕捉交通流的空间特征，门控时间卷 积网络用于捕捉交通流的时间特征。模型把多个具有不同大小的扩展因子的时空图卷 积层进行堆叠，能够同时有效地提取到不同粒度下的时空特征，提高预测精度。 随后，在 GTCN 的基础上，引入时空注意力机制，设计了一种基于时空注意力机 制和图卷积相结合的交通流预测模型(STAGTCN) 。模型包含多个时空模块，每个时空 模块由时空注意力机制和时空图卷积网络组成。其中，时空注意力机制负责针对不同 场景调整时空节点的相互影响程度，时空图卷积网络基于时空注意力机制的调整结果 对数据的时空特征进行提取。通过结合时空注意力机制和时空图卷积网络，捕获了交 通流的动态时空特征来提高预测性能。 本文在加利福尼亚高速公路数据集(PeMSD7)和深圳出租车 GPS 数据集(SZ-taxi)上 进行了预测实验，并采用MAE 、MAPE 和RMSE 作为评价指标对本文提出的模型与常 用基线模型进行性能对比。实验结果显示 GTCN 模型的预测效果优于其他基线模型， STAGTCN 较GTCN 的预测性能有进一步的提升。实验表明本文提出的STAGTCN 模型 可以有效挖掘交通流数据的动态时空特征，提高预测的准确性。 关键词：交通流预测；时空特征；图卷积神经网络；时空注意力机制 I 目录 目 录 1 绪论 1 1.1 选题背景及研究意义 1 1.2 国内外研究现状 1 1.2.1 基于统计分析的预测模型 2 1.2.2 基于机器学习的预测模型 3 1.2.3 基于深度学习的预测模型 3 1.3 主要研究内容 5 1.4 论文组织架构 6 2 相关理论基础 7 2.1 交通流相关理论 7 2.1.1 交通流特征参数 7 2.1.2 交通流数据特征 8 2.1.3 时空数据 8 2.2 图论 9 2.2.1 图论概念 9 2.2.2 图的矩阵表示 9 2.3 深度学习相关理论 11 2.3.1 卷积神经网络 11 2.3.2 图卷积神经网络 13 2.3.3 深度残差网络 13 2.4 注意力机制相关理论 14 2.5 本章小结 15 3 基于时空图卷积网络的交通流预测 16 3.1 问题定义与时空相关性分析 16 3.1.1 问题定义 16 3.1.2 时空相关性分析 16 3.2 总体思