基于深度卷积神经网络的行程速度短时预测

摘要

快速路作为城市交通的骨架与动脉,准确的短时行程速度预测对交通诱导与管理控制有着重大意义.以往的方法通常未充分考虑交通数据时间与空间的关联性,且对卷积神经网络模型在该领域的应用研究不足.针对这些问题,本文基于上海市2011年延安高架快速路线圈检测器数据,首先针对原始数据的特点提出了完备的数据处理方案,随后按时空关系将线圈数据排列为二维矩阵并生成图像.在此基础上,将行程速度时空图像作为模型学习对象,并确定三个预测任务,建立完善的神经网络设计与优化流程,得到相应的深度卷积神经网络模型.最后,引入传统数理统计模型与人工神经网络进行模型的综合对比评价.结果表明,卷积神经网络模型的预测精度达到95.93％,预测绝对误差较传统行程速度预测模型下降了30.12％,同时具有更高的训练效率.此外,该模型得到的行程速度时空图像能准确反映交通事件的产生、延续、消散过程,与原始数据生成的图像基本一致.本文研究成果可以为城市快速路的交通管理与控制部门提供更可靠的行程速度预测信息.