融合多因素的短时交通流预测方法研究

发布时间：2020-07-19 19:56

【摘要】：近年来,随着交通系统日渐庞大与复杂,交通压力激增、交通事故频发、交通环境日益恶化。智能交通系统(ITS,Intelligent Transport System)融合多种新兴技术,提高道路安全与出行效率,改善交通环境。其中,交通控制和交通诱导尤为重要,而实时准确的交通流预测能为交通控制提供有效帮助,是实现交通诱导的基础。交通流预测就是根据大量道路历史数据来预测未来时刻的交通状况,一般对未来几秒到几小时的预测便称为短时交通流预测。本文首先研究在单个检测器上的短时交通流预测,进而考虑多种不同因素对交通流的影响,以提高模型的预测效果。在单检测器短时交通流预测方面,本文提出了结合注意力机制的循环门控单元网络(AGRU,Attention Gate Recurrent Unit Networks)与扩张-因果卷积神经网络(DCFCN,Dilated-Causal Fully Convolutional Networks)。交通流本质上是一种时序数据,而GRU广泛应用于序列处理任务。本文在GRU的基础上增加了注意力(Attention)机制,以更好地捕捉不同时刻交通流对预测结果的影响。实验表明,加入Attention能提高模型的预测效果。此外,交通流可以看成时间轴上的一维图像,进而使用卷积神经网络进行预测。为了解决卷积神经网络在序列处理任务上的不足,DCFCN在CNN的基础上引入扩张卷积来增加感受野大小,获取序列的长时记忆。同时,利用因果卷积解决信息泄露问题。实验表明,本文提出的DCFCN模型在单检测器短时交通流预测任务上优于其他对比模型。考虑到交通状态极易受到天气、上下游交通等多种因素影响,以往的研究大多基于交通流历史数据本身,而忽略了其他影响因素。针对这一问题,本文将多检测器拓扑结构提取为交通流的空间特征,并进一步添加天气、时间、周期等多种影响因素,提出一种融合多因素的短时交通流预测模型(MFNN,Multi-Factor Neural Networks)。MFNN使用两个全连接神经网络分别提取天气特征与时间特征,多层卷积神经网络提取空间特征,GRU或者DCFCN提取交通流的时序特征以及周期特征。实验表明,本文提出的MFNN模型能有效利用多种特征来提高模型预测效果,且预测效果优于其他对比模型。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491.1
【图文】：

关系图,流量,密度,关系图

车辆通过检测器检测区域的时间大幅增加，导致时间占三个基本参数可以用公式(2-3)表示：Q S D流量，单位 veh/h；S 表示平均行程速度，单位 km/h； D 表度、密度之间的关系如图 2-3 所示。图中可以看出，存在流量为零。一种是道路上没有车辆，速度、密度、流量均，但是速度为零，流量也为零。此时道路完成拥塞，所有阻塞密度（Jam Density），用jD 表示。在这两个零值点之上车辆逐渐增多，密度增大。同时，由于车辆之间的相互密度和速度的乘积达到最大，即流量最大时，此时的速度eed），用oS 表示，密度称为最佳密度（Optimum Density）

示意图,示意图,参数量,单元

图 3-1 LSTM 示意图当前时刻的输入值tx 、上一时刻 LSTM了 LSTM 在t时刻的输入。时刻的输态tc 。单元状态就像传送带，它会沿着互。与 LSTM 相似，GRU 的提出也是为 LSTM 相似，但只使用了两个“门（控单元，参数量少了三分之一，使得计rtzt×resetupdate×1-zt+×

高速路,交通流,检测器,旧金山湾区

图 5-1 PeMS 系统 Web 界面目前，已经有大量研究人员在 PeMS 上进行交通领域的相关研究。Huang 等(20 PeMS 上多个检测器交通流数据研究基于深度学习的短时交通流预测方法；O16)[66]在 PeMS 系统上选取 SR-78E 高速路的 16 个检测器进行交通状态预测研ez 等(2016)[67]使用 I5 高速路研究交通拥堵；Moylan 等(2017)[68]使用旧金山湾区测器研究拥塞状态、交通需求、道路状况以及天气情况对旅行时间（Travel T响。Wu 等(2018)[23]数据来源是 PeMS 系统上的 I-405N 高速路，提出了 DNN，获得了当时最好的预测效果。为了更好地进行对比研究，本文的数据选取以分与 Wu 等(2018)[23]保持一致。PeMS 检测器每隔 30s 采集一次交通流数据，并以不同时间长度进行聚集来为供服务。原始数据格式如表 5-2 所示。表 5-2 交通流数据样例（5 分钟）5 Minutes Lane 1 Lane 2 Lane 3 Lane 4 Flow % Observed

【参考文献】