基于深度学习的道路短时交通流量预测研究

• 作 者: 刘道广
• 出 处: 西南科技大学
• 发表日期: 2020年01期
• 关键词: 短时交通流量预测 深度学习 Graph CNN LSTM

随着社会的不断发展与时代的进步,人民生活水平的大幅提升,我国私有车辆保有量日益增加,城市交通车流量迅速增长,交通负荷日渐加重,交通拥堵问题成为了车辆出行的一大难题。智能交通系统通过对交通调度控制环节的流程优化,能在原有交通硬件条件下使道路通行效率最优,实现“缓堵保畅”的效果。但是对于智能交通系统来说,无论信号灯配时优化,还是出行路径诱导规划,都依赖于进行优化操作时的交通流量数据。使用实时测量得到的流量数据去对下一时段的交通进行控制往往不能得到良好的效果,因此对交通流量的短时预测则成为了交通领域的一个研究热点。交通流量数据在表现出高度随机性和非线性的同时,还伴随有明显的时空相似性与周期性。深度学习是将深层神经网络的多个隐含层叠加起来,结合底层特征来表示高层抽象属性或特征的一种方法,它能够很好地刻画数据中的隐含规律。因此,深度学习方法和模型能够很好地挖掘交通流数据中的各种底层特征,并使用这些特征来对未来的交通态势进行预测,利用深度学习来进行短时交通流预测具有极大的优势。本文的主要研究工作如下:(1)说明了研究课题的背景来源与研究意义,并对目前较为常见的短时交通流量预测模型进行了归纳总结,同时详细阐述了深度学习技术的工作原理及发展历程,分析和总结了当前流行的深度学习模型及各类模型在短时交通流量预测中的应用;(2)介绍了短时交通流预测的概念以及交通预测问题的数学描述,并且介绍了交通流数据采集、处理,一般预测模型构建、训练与评价的主要流程;(3)针对实际预测问题,分析了绵阳市数据类型,介绍了数据在进行模型训练前的预处理工作,包括地图匹配,路径连接,数据整合,图结构创建以及邻接矩阵构建等,并提出了一种路径连接时缺失路径的插补方法和一种用于短时交通流量预测的图数据精简方法。(4)针对短时交通流量预测问题,介绍了构成本文中所使用的时间图卷积网络模型的子结构,包括Graph CNN,LSTM,FFNN。其中主要介绍了Graph CNN的两种不同变形,以及变形对整个模型带来的影响。最后针对上述内容进行了实验设置并进行了具体实验,然后对实验结果进行了分析,分析了不同的模型设置对短时交通流量预测带来的影响。得出了研究中所用的各种方式方法在短时交通流预测中的不同作用及优劣程度。