基于注意力机制的交通流量预测研究

• 作 者: 王成
• 出 处: 华东交通大学
• 发表日期: 2021年06期
• 关键词: 聚类 编码器-解码器 注意力机制 交通流量预测 时空数据

随着当前社会的进步与发展,日益严重的交通拥堵问题成为了阻碍经济发展的一大主要原因。据有关报道显示,仅北京市一年因该问题所造成的经济损失就达数千亿元。因此,对于如何通过新兴的科学技术(如计算机科学、运筹学等)来解决这一交通拥堵问题以提高公共交通的利用效率变得日益重要起来。同时,对于交通流量的准确预测又是解决交通拥堵的关键因素,它通过对历史交通数据的学习来进行下一时刻流量的预测,从而提前对各类出行工具进行规划与疏通。然而,现有的交通流量预测模型还存在很多的不足,在实际运用过程中通常都会面临着两大问题:(1)未能找到一种恰当的方式来挖掘时空数据中潜在的语义信息,使得具有相同语义模型的时间周期能够相互联系;(2)未能有效挖掘时空数据在时间和空间上的规律特性,使得流量预测模型在预测过程中不能够充分的利用这一信息。因此基于上述两个问题,本文针对当前流量预测模型的不足之处提出了一种基于注意力机制的交通流量预测模型。为了解决对于不同时间周期里相似语义模型难以准确发现的问题,本文首先提出了一种类k-means的聚类算法,用于得到数据集中潜在的K种特征表示张量;然后本文继续通过基于Conv LSTM记忆单元的编码器-解码器网络结构来对流量数据在时间和空间上的特征进行提取;最后再将聚类得到的K种潜在语义模型表示张量以注意力机制的方式作用于解码部分的输出,使得最终的输出结果能够融合不同时间间隔相似的语义模型,以此来更加准确的预测下一时刻的交通流量。本文的主要贡献具体如下:(1)对于现有的交通流量预测模型与聚类算法进行了详细的总结与归类,对国内外的相关研究背景与发展状况进行了阐述。(2)提出了一种基于k-means框架下集成簇内与簇间距离的聚类算法。不同于传统的通过最大化各簇中心与全局簇中心的距离来利用簇间信息的方式,新算法通过在子空间中最大化非本簇的所有样本点到该簇簇中心的距离来实现对簇间信息的有效利用。基于这样的假设,本文首先为新算法设计了目标函数,并且通过拉格朗日乘子法求解得到了目标函数中未知参数的求解公式;接着,本文继续对新算法的收敛性和时间复杂度进行了详细的理论分析;最后,本文对算法进行了相关的对比实验,并对其收敛速度和鲁棒性进行了阐述。(3)针对于已有流量预测模型的不足之处,提出了一种基于注意力机制的交通流量预测模型。该模型通过以Seq2Seq网络架构为基础对流量数据进行时空上的特征提取;然后在模型的解码输出部分以注意力机制的方式融合了不同时间周期里存在的相似语义模型;最后本文通过详细的对比实验对预测结果进行了分析。本文所提出的流量预测模型具有一定的通用性,能够迁移至类似场景下的时空数据预测问题,因此具有一定的理论研究价值。同时,本文所提出的交通流量预测模型也能够准确的预测道路交通流量,对于实际应用也有着现实意义。