论文部分内容阅读
随着我国社会经济的不断发展,机动车保有量逐年上升,由此产生了诸如交通拥堵等一系列交通问题,这给出行者和相关管理部门带来了极大不便和困扰。智能交通系统是缓解交通拥堵行之有效的手段,交通流预测是智能交通系统实现的基础和关键所在,利用海量交通大数据,实现城市级复杂路网的道路交通流预测,具有重要的理论和现实意义。本文提出面向大规模城市路网的短时交通流预测模型,预测未来一段时间内城市交通流演化态势,为出行者提供准确的出行信息,为管理者进行主动交通管控提供理论依据。主要研究内容和研究成果体现在以下方面:(1)短时交通流预测理论和方法分析。探讨交通流基本参数及其特性,有针对性地提出交通流预测模型所应当具备的一系列能力,并通过深度学习基础理论分析,为交通流预测模型的建立提供指导依据。(2)城市快速路交通流预测。筛选重要交通流参数,分析其时空相关性,提出基于卷积神经网络的城市快速路交通流预测模型,实现在预测过程中学习各种影响因素的时空相关性以及多种交通流参数协同预测,采用真实快速路线圈数据进行模型的训练和测试。(3)考虑时空相关性的城市路网交通流预测。构建了深度可自由变化的交通流深度时空张量,提出了用于路网交通流预测的时空深度张量神经网络预测模型(Spatial-Temporal Deep Tensor Neural Networks,ST-DTNN),消除了 由交通流时间序列的随机堆叠引起的潜在负面影响,设计了参数更新算法供模型训练学习。采用真实大规模城市路网浮动车数据对ST-DTNN模型进行了测试,实验结果表明,ST-DTNN模型相对于传统的时间序列和机器学习等基准模型,在预测性能上有较大提升。(4)考虑路网拓扑结构的路网交通流预测模型。构建了基于图卷积网络(Graph Convolution Network,GCN)的交通流预测模型,同时考虑了路网拓扑结构和交通流时空相关性,提高了模型预测精度和现实解释意义。与ST-DTNN模型相比,GCN模型在预测精度上有一定提升,同时训练时间缩短了近35%,模型更有计算效率。图卷积网络模型在ST-DTNN基础上改进了城市级路网交通流预测框架,其高效和高精度特性为交通管控和路径规划场景应用奠定了理论基础。