摘要
随着我国国民经济的迅速发展和人们出行需求的增加，机动车拥有量逐年攀升，致使各大城市面临的交通拥堵问题越加严重。智能交通系统是缓解交通拥堵的有效方法，而实现交通智能化离不开对未来时刻的交通流进行精准实时地预测。虽然国内外众多学者对交通流预测的问题已提出多样的解决方法，但大多数预测模型在交通流数据存在异常值情况下，未充分挖掘交通流的时空相关特性，同时未考虑历史交通流量的周期变化特性，在预测过程中也没有采用更有效的优化算法对模型进行优化，导致模型的预测精度不高。为了解决这些问题，本文的主要研究内容如下: (1)交通流在时间和空间上的分布受路网条件、交通管辖措施和人们日常外出规律等众多因素的影响而呈现出不同的特性。因此，本文采用相关性分析方法从时间和空间两个维度对交通流所呈现的各种特性进行研究，从时间维度深入研究了交通流随时间变化而表现出的时间相似性、周期性、自相关性和不确定性，从空间维度研究了交通流在城市路网的一定区域内所表现出的空间相似性和空间依赖性。 (2)完整有效的交通流数据集可以提高交通流预测的精确度。本文研究了交通流数据集中缺失数据和异常数据的识别技术和修复技术，尤其是针对交通流时间序列中的异常变化，采用了基于正态分布的异常数据识别方法，并提出了一种基于时空数据的GM(1，N)模型以修复异常数据。最后将修复后的交通数据集进行归一化处理。 (3)为了充分挖掘交通流的时空特性和非线性特征，提升交通流预测精度，本文构建了一种基于深度学习的CLA-BLSA短时交通流预测模型。该模型由一个CLA模块和两个BLSA模块构成，其中，CLA是交通流时空特征提取模块，主要由Conv-LSTM和注意力机制组成。BLSA模块用于捕获交通流日周期性和周周期性的变化特征，主要由Bi-LSTM和自注意力机制组成。在模型预测过程中，采用Lookahead优化算法对模型进行优化。最后通过实验验证采用Lookahead优化算法的CLA-BLSA模型的预测性能。实验结果表明，CLA-BLSA预测模型能够实现理想的预测效果，在工作日和非工作日的不同时段、不同预测时间步长、不同交通场景中展现出显著的预测性能优势。
NETL