基于深度时空图模型的交通流量预测研究
随着交通强国建设加快，越来越多的交通管理方法以及决策方式从传统要素驱动转向创新技术驱动。交通流量预测作为交通管理中的一个基础问题，在解决方法上同样有了明显的变化，即从原来单一的时间序列模型构建逐步发展到结合时空特征的深度时空模型设计。尽管现有模型相对于经典方法有了长足的进步，但是交通流量预测问题的解决在区域上仍然面临一些挑战，如在数据资源丰富地区上无法准确获取并有效融合多种数据特征，以及在数据资源匮乏地区上难以设计适用于少量样本的深度时空模型以提取复杂时空特征并量化不确定性。 第一，针对数据资源丰富地区，为解决获取以及融合多种数据特征的挑战，特别是在提取静态空间依赖以及外部特征方面，本文构建了多特征时空卷积网络模型。所提出的多特征时空卷积网络模型包含了时空特征提取模块、外部特征提取模块用于分别提取复杂时空特征以及外部特征，并采用动态分配特征权重的策略用以融合多种数据特征，最后由全连接层预测交通流量。本文首次采用贝叶斯优化方法量化静态空间特征，并结合时空特征提取模块以获取复杂时空特征；在外部特征提取模块中，采用嵌入技术高效地量化外部特征从而解决了现有深度时空模型仅获取时空特征的不足。此后，采用注意力机制动态分配特征权重，可反映不同特征对交通流量的动态影响。因此，在具有交通流量、车辆类型、日期类型等多种数据特征的真实场景下，所提出模型在多个监测点上的交通流量预测、单一监测点上的交通流量预测以及节假日期间的交通流量预测，三个预测问题上均给出了准确的交通流量。 第二，针对数据资源匮乏地区，为从少量数据中获取复杂时空特征用于准确预测交通流量以及量化时空不确定性，本文提出了深度图高斯过程方法。所提出的方法由聚合高斯过程、时序卷积高斯过程以及具有线性核函数的高斯过程堆叠而成，并基于改进的学习算法推断模型参数。其中本文首次提出的聚合高斯过程可解决现有高斯过程及深度高斯过程方法无法准确获取动态空间依赖的问题。同时，通过组合聚合高斯过程和可获取时序特征的时序卷积高斯过程用于提取复杂时空特征。之后，具有线性核函数的高斯过程根据所提取特征给出交通流量预测结果。基于深度图高斯过程方法所构建的深度时空模型不仅有简洁的设计和实现过程，而且在多个真实数据集上仅依赖少量样本便可提供准确的交通流量预测。除此之外，所构建的模型还给出不确定性度量，从而减少不确定性对未来决策带来的影响。
交通流量预测;深度时空图模型;神经网络;注意力机制;特征提取
浙江师范大学
硕士
计算机科学与技术
蒋云良
2021
中文
U491.14;TP183
2021-11-11（万方平台首次上网日期，不代表论文的发表时间）