基于多模型长短时记忆和时空关联的短时交通流预测

发布时间：2020-11-17 12:18

　　 随着汽车逐渐成为主要的交通运输工具,城市交通拥堵问题日益严重。为了改善交通状况,智能交通系统(ITS)的作用越来越受到重视。在此系统中,准确实时的短时交通流预测能够作为车流引导的重要依据。因此,寻找合适的方法预测短时间后的交通流变化情况成为了研究热点。多年来许多方法都被尝试应用于交通流预测领域,其中大部分的方法都是基于单一的模型,并且只根据某一观测结点的历史交通流观测值,预测该观测结点下一时刻的交通流变化。然而,交通流是一种具有非线性、随机性、空间关联性的数据,包含多种组成成分,这使得单一模型和忽视时空信息的方法预测效果存在瓶颈。针对这两个问题,本文提出了基于多模型长短时记忆递归神经网络(Long Short-Term Memory Recurrent Neural Networks,LSTM)和基于时空关联长短时记忆递归神经网络的两种短时交通流预测方法。多模型LSTM的基本思想是对交通流数据做适当的分类,再根据不同类别数据建立对应的预测子模型。通过对每个交通流量数据样本提取一个特征,用于进行K-Means聚类,使数据样本自适应的分为具有不同变化趋势的两类,再针对这两类数据样本训练出对应的LSTM预测子模型。同时,还需要用这两类数据训练出一个K近邻算法构成的分类器,以满足实际应用场景中对交通流进行实时在线预测的需求。时空关联LSTM则是利用了待预测结点与其上游和下游若干观测结点的空间关联关系,将所有结点观测到的交通流量数据作为输入样本。在每一时刻都需要求待预测结点的样本与其他观测结点样本的相关系数,并以此作为LSTM输入层的权重系数。这一模型训练方式不仅能够实时自适应的调整不同观测结点对于待预测结点的影响权重,还能使我们观察出交通路网中哪些结点更具重要性。本文以美国加州道路性能评估系统采集的交通流量作为实验数据,以平均绝对百分比误差和均方根误差作为评价标准,对比多种主流预测模型与本文所提出两种模型的预测准确率。实验表明,本文的两种预测模型都具有更好的预测效果,并且将两种模型进行融合还能进一步提升预测准确率。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U491.14;TP183
【部分图文】：

第一章 绪论第一章 绪论 研究背景随着世界经济的发展，汽车已不再是人民群众消费不起的奢侈品，而是逐渐成的交通运输工具、出行代步工具之一。在我国，这种现象尤为明显。自 2010我国的汽车保有量便一直处于快速增长阶段，于 2017 年突破 2 亿辆，占到了保有量的 20%（图 1-1）[1]。截至 2018 年底，全国已有 61 个城市汽车保有量辆，小型载客汽车是保有量增长的主力[2]。可见，汽车已经成为人民在上班、常生活中越来越不可或缺的交通工具。

切分为许多个如11,,,tt t N x x x形式的样本。在训练阶段t 1x 就是对应样本的标签，而在测试阶段 就是模型的预测目标。第三步就是关键的预测模型建立，通过拟合交通流数据的变化规律，针对交通流变化的某些特性，运用适当的方法进行建模。为了能够在实际应用场景中使用，短时交通流预测模型一般需要具备以下特性[20]：1）精确性，预测结果准确对每个领域来说自然都是首要的要求，这样才能作为引导交通的依据。2）实时性，也称为在线预测，由于短时交通流的预测结果是实时应用于智能交通系统中控制交通状况的，所以模型必须能利用实时观测到的交通流数据进行预测，本文提出的方法对这一点有专门的解决方案。3）可移植性，也可以说是模型的一种泛化能力，就是模型训练完成后，换一个路段的交通流数据也能拥有较好的预测效果，这对于拥有无数观测结点复杂庞大的道路交通网络来说也十分重要。最后一步自然是利用训练完成的模型，对交通流进行实时在线的预测，得到以某一特征参数表示的交通流预测值。

华南理工大学硕士学位论文在 2015 年 1 月 1 日到 2015 年 12 月 30 日全年共计 52 周的历史交通流量数据，其数据统计的时间间隔为 5 分钟。因为交通流量能够较直观的反应道路交通的变化情况，所以本文选择了这一特征参数。对于每个观测结点，都会有多个车道的交通流量统计信息，在本文中只取其汇总后的流量数据。同时我们还从该系统上获取了这 31 个观测结点沿线的高速路交汇和上下高速路口分布等信息，运用到了本文对时空信息融合的预测方法研究当中。
【参考文献】

相关期刊论文 前1条

1 梁轲;谭建军;李英远;;一种基于MapReduce的短时交通流预测方法[J];计算机工程;2015年01期

本文编号：2887489