摘要
随着社会经济的快速发展，全国机动车保有量不断增加，使得城市交通压力越来越大，交通拥堵问题日益严重。短时交通状态预测作为智能交通系统的核心内容，不仅可以为出行者提供出行信息，还可以给交通管理部门提供技术支持，帮助缓解交通拥堵问题。 传统的浅层预测方法由于建模能力有限导致预测效果较差。深度学习具有强大的特征学习能力，因此本文结合深度学习进行短时交通状态预测。本文将短时交通状态预测分为短时交通流参数预测和交通状态判别两部分。首先对交通流参数进行预测，然后根据预测的交通流参数进行交通状态判别，从而得到未来时刻的交通状态。主要研究内容如下: (1)针对现有短时交通流参数预测模型未能充分利用交通流数据时空特征的缺点，提出了一种结合注意力机制的卷积门控循环单元预测模型(ACGRU)。该模型首先利用卷积神经网络提取交通流的空间特征，然后使用结合注意力机制的门控循环单元提取时间特征，同时构造交通流周期输入矩阵提取周期特征，最后融合所有特征进行预测。实验结果表明，ACGRU模型可以提高交通流的预测精度，相比其它预测模型具有更小的预测误差。 (2)提出了一种基于KM-FCM和随机森林的交通状态判别模型。首先对FCM算法进行改进，提出了KM-FCM聚类算法。该算法将K-means++算法聚类产生的最佳聚类中心作为FCM算法的初始聚类中心，改善了FCM算法随机初始化聚类中心的缺点。然后使用KM-FCM算法对交通流数据进行聚类分析，划分交通状态，最后利用带有交通状态的数据训练随机森林模型进行判别。实验结果表明，KM-FCM算法聚类得到的各种交通状态符合实际交通情况的规律，选取的随机森林算法具有较高的判别准确率。 基于ACGRU的短时交通流参数预测和基于KM-FCM和随机森林的交通状态判别共同组成了短时交通状态预测模型。该模型具有较高的预测准确率，可以提供实时可靠的交通出行信息，对于缓解城市交通压力有着十分重要的意义。
NETL