基于神经网络的道路通行时间预估方法的设计与实现

发布时间：2020-09-01 11:13

　　 该项目来源于高睿鹏老师的科研项目以及本人在滴滴出行公司实习期间的实际项目。该项目基于智慧交通的应用及发展,结合多源异构交通大数据来预估道路的通行时间。在交通出行领域,道路的通行时间已经成为人们出行选择的重要参考指标之一。在实际的交通应用场景中,道路的通行时间也是衡量道路运行状态、交通规划、智能交通研发、城市交通运行水平的一个重要指标。准确预估道路的通行时间不仅能够提高人们的出行效率,还能够进一步提升交通的服务质量。当前道路通行时间的预估方法主要集中于路径的OD(origin-destination,OD)研究。该研究主要分为两类,一类是基于路径的预估方法,另一类是基于数据驱动的预估方法。通过大量的实验证明,当前方法在数据的稀疏性、模型的泛化能力以及数据的利用率方面相对来说具有很多的局限性。为了有效解决上述问题,本论文在现有方法的基础上,提出了基于神经网络的道路通行时间预估方法。在本方法中,分析利用多源异构数据特征如GPS轨迹数据、路网数据以及外部属性数据如天气、日期等,通过结合不同的数据特征输入到网络模型进行训练预测,得到网络模型的预测值。在该方法的实验过程中,本论文首先对现有的多源异构数据进行数据分析及建模;其次,针对不同的数据特征采用不同的数据处理方法,如为了进一步有效地提取路网数据的空间特性,本论文对路网数据采用DeepWalk算法,目的在于保留路网拓扑邻接关系的特性基础上,将路段编号进行向量化处理;对于外部特征,由于其属于类值属性,不能直接输入到网络模型,所以本论文采用Embedding方法将其向量化表示,不仅能够保留其语义之间相似性,还能够降低数据维度。最后,基于不同的交通数据特征,结合长短时记忆网络LSTM(Long Short-Term Memory,LSTM),采用深度学习框架PyTorch实现了预估道路通行时间的方法。通过对北京、上海两地的数据集进行模型的训练与测试,采用不同的评价指标,如平均绝对误差比MAPE(Mean Absolute Percentage Error,MAPE),平均绝对误差MAE(Mean Absolute Error,MAE)以及均方误差MSE(Mean Square Error,MSE)来评估模型的效果。在实验过程中,模型的MAPE的值分别为0.1736和0.1807,MAE的值分别为103.66和12.35,MSE的值分别为13279.21和13762.18。通过对现有不同方法的结果分析,本论文提出的道路通行时间预估方法具有较低的预测误差,其模型效果优于其他现有的方法。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP183;U491
【部分图文】：

验阶段发展到大规模的实施阶段，与传统交通运输体系有着明显的区别，如信息逡逑化程度高、整体全局性高、系统开放性强、实时动态化等优点。智能交通系统框逡逑架如图１－１所示，智能交通系统主要包括七个部分，分别为出行信息系统、交通管逡逑理系统、公共交通系统、车辆控制系统、电子收费系统、商品货用管理系统以及逡逑紧急救援系统。其中，出行信息系统、交通管理系统以及公共管理系统与人们生逡逑活有着更为密切的关系，接下来简述该三部分的内容。出行信息系统依托公路信逡逑息资源整合系统和交通管理信息系统的信息资源，通过互联网与移动终端为出行逡逑者提供路况、突发事件、沿途等较为完善的出行信息服务；交通管理系统用于对逡逑信息采集、数据处理和信息分发，其主要供交通管理人员用来检测和控制路况的逡逑相关信息，并提供道路，车辆和驾驶员之间的通信链路，进而发布实时准确的交逡逑通数据信息；公共交通系统促进了公共交通行业的发展，例如，在公交管理中心，逡逑可以根据车辆的实时状态信息进行实时调度，进而能够提高其工作效率和公交服逡逑务质量。逡逑２逡逑

通行时间预估方法的设计与实现。方法内容主要结合现有的车辆轨迹数据、路网逡逑数据以及外部属性数据，通过神经网络模型对历史数据的学习来预估其道路的通逡逑行时间。其模型的主要框架如图１－３所示。逡逑实验数据逦数据预处理逦网络结构逡逑Ｗ逦

本文编号：2809655