基于时空图卷积网络的高速公路流量预测方法研究

发布时间：2023-05-25 05:58

　　近年来,我国汽车保有量迅速增长,而道路运载能力有限,导致道路供需矛盾日益突出。车流量是反映道路运行状态的主要参数之一,如果能够及时准确地掌握和预测道路上的车流状况,就可以有效地对车辆进行提前疏导,从而提升路网运行能力及运行效率,对交通管理者、运营者和参与者都具有十分重大的意义。流量数据具有高度的非线性和复杂性,对其进行精准预测具有很大的挑战,现有的预测方法大多不能很好地直接利用交通路网结构来捕获数据的动态时空相关性。本文针对这一问题,研究提出利用图卷积神经网络和时空注意力机制来进行交通流量的预测,主要研究内容及成果如下:首先,流量数据在时间维度存在多种固有模式,本文将输入数据划分为多个组件,分别用于捕获数据的近期、日周期、周周期模式,这种多组件划分方法可以充分提取数据的时间维信息,同时减少处理不相关历史信息带来的开销。同时,考虑到交通路网是一种图结构数据,引入图卷积对流量数据的空间特征进行挖掘,并设计时空卷积模块,提出一种多组件时空图卷积网络(MCSTGCN)模型,能够同时有效地提取数据在时间维度和空间维度的特征。随后,设计了一种更巧妙的时空模块,由时空注意力机制和时空图卷积网络组成,...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文组织结构
    1.5 本章小结
2 相关理论基础
    2.1 时空数据概念与相关理论
        2.1.1 时空数据的理解
        2.1.2 时空数据挖掘
    2.2 图论
        2.2.1 图论概念
        2.2.2 图的矩阵表示
    2.3 深度神经网络相关概念
        2.3.1 卷积神经网络
        2.3.2 图卷积神经网络
        2.3.3 深度残差网络
    2.4 注意力机制理论
        2.4.1 注意力机制的理解
        2.4.2 自注意力机制
    2.5 本章小结
3 问题定义
    3.1 相关定义
    3.2 流量预测问题
    3.3 本章小结
4 多组件时空图卷积网络
    4.1 总体思路与模型框架
    4.2 多组件划分
    4.3 时空图卷积网络
        4.3.1 空间维图卷积
        4.3.2 时间维卷积
    4.4 多组件融合
    4.5 实验设置与结果分析
        4.5.1 数据集介绍
        4.5.2 数据预处理
        4.5.3 实验环境及参数设置
        4.5.4 基准方法
        4.5.5 实验结果及分析
    4.6 本章小结
5 基于注意力机制的时空图卷积网络
    5.1 总体思路与模型框架
    5.2 时空注意力机制
        5.2.1 空间注意力机制
        5.2.2 时间注意力机制
    5.3 基于注意力机制的时空图卷积网络
    5.4 实验设置与结果分析
        5.4.1 数据集介绍
        5.4.2 基准方法
        5.4.3 实验结果及分析
        5.4.4 时间性能比较
    5.5 本章小结
6 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3823073