NETL
摘要
交通流量作为智能交通系统中极为关键的组成部分，对其进行精准的、实时的预测可以为交通管理部门及个人提供更加可靠的宏观道路状况信息，为城市建设、道路规划、交通管制等问题的研究提供了重要的参考。针对交通流量数据的特征因素，为充分挖掘交通流量数据中隐含的时空特性，本文提出三种基于深度学习的预测模型，旨在进一步捕捉交通流量数据中对于模型精度有所提升的要素，提高模型在准确性、稳定性等方面的表现。本文的主要工作如下： （1）提出一种基于自注意力机制的一维卷积长短时记忆神经网络组合模型。这一模型利用一维卷积神经网络对交通流量数据进行特征提取，随后使用双向长短时记忆神经网络从交通流量数据的时序性角度进行建模，最后利用自注意力机制完成矩阵的权重重新分配。该模型从增强数据特征表现的角度入手，改善了基准时序性预测模型对特征感知不强或者时序性建模较差等问题。 （2）考虑到交通路网的空间拓扑结构，本文将交通路网中的节点转换成图数据结构，提出一种基于空间注意力的时空图卷积长短时记忆神经网络模型。该模型首先通过空间注意力机制重分配了表示路口节点之间空间联系性的邻接矩阵的权重数值，随后针对时空图卷积神经网络对时间、空间两个维度上的特性进行探究，最后将时间序列传递给长短时记忆网络进行时序性建模。该模型从空间关联性、时空依赖性等角度强化了预测效果，解决了以往模型只能在平面维度上处理单一交通断面的交通流量数据，无法感知整个交通路网的结构对于不同路口节点通行流量变化情况的问题。 （3）针对模型存在的无法实时更新连接关系的难点问题，提出一种融合自适应图学习方法的时空图卷积长短时记忆网络模型。该模型可以在训练过程中不断更新最优亲和矩阵，从而实现动态地调整模型权重以适应节点之间复杂的依赖关系，提升了预测模型的整体效果。 最后，对上述提出的三种组合模型，本文分别进行了相关数据的定量和定性实验，并与基准模型进行了平行对照实验。结果表明，本文所提出的三种组合模型针对不同数据特征下有着较为可观的预测性能，对比基准模型的预测指标均有不同程度的优势。
关键词
交通流量预测/深度学习/时空图卷积长短时记忆网络/自注意力机制/空间注意力机制/自适应图学习算法引用本文复制引用
授予学位
硕士学科专业
计算机科学与技术导师
郭兰英学位年度
2023学位授予单位
长安大学语种
中文中图分类号
U4