论文部分内容阅读
交通预测问题是智能交通系统研究的重要问题,交通速度是衡量交通状态的一个重要指标,交通速度预测不仅可以为交通管理者提供科学依据,还可以为其他道路服务如路径规划提供支持。对于交通速度预测问题,传统的解决方法主要分为两类,一类为只考虑单个路段或者单个检测器的交通速度的模型,如LSTM,GRU等,但这类模型训练的时间复杂度较高,一类方法为综合考虑交通速度的时空相关性的模型,但是常常会忽略外部影响因素如天气的影响,往往不能得到较精确的预测效果。为了实现更加精准的交通速度预测,本文提出了基于时间卷积网络的交通速度预测模型,本文的主要工作如下:(1)针对只考虑单个路段或者单个检测器历史交通速度的交通速度预测问题,本文提出了一个反向传播时间卷积网络(Back-Propagation Temporal Convolutional Network,BTCN),该模型利用空洞因果卷积可以捕获较长时间的时间依赖关系,这也是时间卷积网络首次运用到交通速度预测问题中。实验结果表明BTCN相比传统的LSTM网络和GRU网络具有更高的预测准确率,另外BTCN模型的训练速度相比GRU网络提升了19.8%。(2)针对路段交通速度存在的空间依赖性问题,本文提出了一个时空预测模型时间图卷积网络(Temporal Graph Convolutional Network,TGCN),该模型包含时空模块和外部影响因素模块,时空模块首先利用K-阶图卷积网络捕获空间相关的特征,然后将特征输入到时间卷积网络(TCN)学习交通速度随时间变化的特性。外部影响因素模块考虑多种影响因素对道路交通速度的影响,这些因素包括交通时间段信息(早晚高峰,节假日),天气。在构建检测器图结构时,本文利用检测器周围的兴趣点和道路结构来计算检测器之间的相似度,然后添加到网络图的邻接矩阵的权重计算过程中。本文将提出的时空预测模型TGCN在两个真实的数据集上分别进行了实验,验证了该模型的可行性。并对影响模型性能的多个参数进行了实验讨论。实验结果表明TGCN模型的RMSE相比2018年提出的预测模型STGCN平均降低了15%,模型训练时间比STGCN降低了23.5%。(3)针对由于交通检测传感器的电子故障和定期维修等原因而导致的传感器采集到的时间序列数据中存在缺失值的问题,本文提出利用张量分解的方法来对数据集中的缺失值进行补全,实验结果表明使用张量分解方法补全后的数据做预测可以增加预测的准确率。