基于动态时空图卷积网络的交通路网流量预测研究
交通拥堵问题已经成为城市经济和环境负面影响的主要来源之一，也是当今城市智能化的一大阻碍。准确的预测未来交通流量状况是解决交通拥堵的基础问题之一，然而，准确的城市交通流量预测仍具有挑战性。一方面，由于城市交通路网中复杂的拓扑结构和不同事件的动态影响，交通路网中存在多种不同层次的流量空间依赖关系，现有的大多数方法往往仅考虑单个流量空间特征，而忽略了提取不同层次的空间依赖特征。另一方面，由于城市交通路网中存在着不同的通勤方式，这些不同的交通模式使得路网中站点之间的流量以多种不同的规律变化，多种交通模式的共同作用使流量变化更具有动态性。最后，某一时刻的流量可能受多个不同历史周期流量的影响，现有的方法往往从单个历史周期角度来预测未来的流量，而没有考虑不同历史周期对流量的影响，从而导致最终预测效果不佳。针对以上三个问题，本文对城市交通流量预测展开了研究，并做出了以下几点贡献： （1）针对流量多层次空间依赖问题，本文提出了基于时间注意力机制的多步耦合图卷积神经网络流量预测模型（Multi-stepCoupledGraphConvolutionwithTemporal-AttentionforTrafficFlowPrediction，MCGCN），该模型主要包含三个模块：多步耦合图卷积模块，门控耦合图卷积模块和多步注意力模块。多步耦合图卷积模块利用多步耦合更新机制，动态地更新每个卷积层的邻接矩阵，从而捕捉不同层次的空间依赖关系。门控耦合图卷积模块将耦合图卷积和门控循环神经网络结合，以同时提取流量的时间和空间特征。最后，利用多步时间注意力模块从历史时间步中筛选有用的信息，从而捕捉交通流量的全局时间依赖特征。 （2）针对交通道路多种交通模式对流量的影响，本文提出了多模式动态残差图卷积网络流量预测模型（Multi-modedynamicresidualgraphconvolutionnetworkfortrafficflowprediction，MDRGCN），该模型主要包含三个模块：多模式动态图卷积模块、门控动态图卷积模块和动态残差模块。多模式动态图卷积模块通过学习两种不同的关系矩阵，从而捕捉交通路网中不同交通模式的流量空间依赖，并动态融合不同模式的空间特征。门控动态图卷积模块将动态图卷积和门控循环单元结合，实现流量时间和空间特征的结合。动态残差融合模块能够动态地结合历史流量数据和编码解码器的预测输出，通过结合历史流量数据更新得到最终的预测结果。 （3）针对多历史周期对未来流量产生不同时空依赖的问题，本文提出了多视角动态图卷积网络流量预测模型（Multi-viewdynamicgraphconvolutionneuralnetworkfortrafficflowprediction，MVDGCN）。该模型主要包含两个模块：多视角编码解码器和动态融合模块。首先从历史流量数据中构造多个不同历史周期对应的流量数据，并构建三个编码解码器结构提取不同视角流量数据的时空依赖特征。动态融合模块能够动态地融合多视角编码解码器提取到不同历史周期的流量特征，从而得到更多的时空依赖关系。 本文在美国纽约市两个真实的交通数据集NYCTaxi和NYCBike上进行实验，实验结果表明本文所提出的MCGCN模型，MDRGCN模型和MVDGCN模型能够提取到更多的流量时空依赖特征，而且各项评判标准均优于其他几种基线模型。
交通路网;流量预测;图卷积神经网络;注意力机制
华东交通大学
硕士
计算机技术
黄晓辉
2023
中文
U495;TP183
2023-11-30（万方平台首次上网日期，不代表论文的发表时间）