考虑城市路网时空相关特征的短时交通流预测研究

摘要

基于数据驱动的短时交通流预测方法是通过从数据中挖掘出表征交通流变化的历史动态时空相关特征来预测交通流。特征的提取直接影响短时交通流预测的精度。然而，受当前数据资源的限制，一方面，现有的研究无法充分挖掘城市路网中交通流的动态时空相关性。另一方面，现有研究在提取特征时没有考虑交通流中不同车型的规律。这两方面问题都将影响交通流预测的精确度。机动车电子标识数据收集了城市中所有车辆的行驶记录。利用它对短时交通流预测建模将克服这两方面问题。　　首先，本文提出了一种基于梯度提升回归树的考虑动态时空相关特征优化的短时交通流预测模型（DSTO-GBRT），解决了城市路网中交通流的动态时空相关性挖掘不充分的问题。该模型量化分析了路网中的动态时空相关性后提取出特征，利用主成分分析法优化原始训练数据，最后采用梯度下降的优化方法递进地拟合历史特征与未来交通流。在实验中，将DSTO-GBRT模型对比经典模型，验证了时空相关特征提取与优化方法的有效性。将同时考虑时空特征的DSTO-GBRT模型对比只考虑时间特征的DTO-GBRT模型和只考虑空间特征的DSO-GBRT模型后，结果证明了时空特征能提高交通流预测精准度。　　本文对真实环境下城市道路交通流分车型解构分析后，发现各车型交通流总体上是一个伴随微小扰动的周期变化过程，但不同车型变化趋势差异较大。进而，本文提出一种波动时空相关长短时记忆网络模型（FT-ST-LSTM）对交通流分周期与波动解构预测。该模型采用傅立叶变换的思想预测周期量。而波动量受时空因素影响，因此本文在提取波动时空相关特征后，利用LSTM预测波动量。实验中，交通流解构预测模型（FT-ST-GBRT、FT-ST-SVR和FT-ST-LSTM）的预测结果优于非解构预测的模型（ARIMA、ST-GBRT、ST-SVR和ST-LSTM）。表明时空相关的交通流解构预测能提高交通流预测的精准度。对交通流更细致地分车型预测时，在引入非预测车型的特征后交通流解构模型的预测精度进一步提高，此时FT-ST-LSTM的效果全面领先FT-ST-GBRT、FT-ST-SVR。整个实验证明了对交通流解构预测的FT-ST-LSTM模型相比于交通流直接预测模型的优越性。

目录

1 绪论

1.1研究背景和意义

1.2.1交通流预测模型

1.2.2交通数据挖掘

1.2.3交通流时空特征

1.2.4当前研究存在的问题

1.3本文的研究内容

1.4论文安排

1.5本章小结

2 基于RFID的汽车电子标识数据采集

2.1基于射频识别技术的机动车电子标识系统

2.2ERI数据管理

2.2.1原始ERI数据介绍

2.2.2从ERI数据获取交通流

2.2.3基于车辆轨迹的路网提取

2.3本章小结

3 动态时空相关特征优化的短时交通流预测模型

3.1引言

3.2 短时交通流预测框架

3.3 交通流动态时空相关性分析

3.3.1时空相关性量化指标

3.3.2交通流的动态时空相关性分析

3.4 路网中交通流动态时空相关特征提取与优化

3.4.1路网中交通流动态时空相关特征提取

3.4.2基于主成分分析法的特征优化

3.5基于动态时空相关特征优化的短时交通流预测算法

3.6本章小结

4 波动时空相关LSTM用于短时交通流解构预测

4.1引言

4.2模型框架

4.3 解构交通流

4.3.1交通流的周期与波动

4.3.2交通流的变化趋势

4.4.1周期量预测建模

4.4.2波动量预测建模

4.5 本章小结

5 实验

5.1交通流预测评价指标

5.2 DSTO-GBRT 预测实验

5.2.1实验路网和数据

5.2.2模型调参

5.2.3与经典模型对比分析

5.2.4与DSO-GBRT和DTO-GBRT对比分析

5.3.1实验路网和数据

5.3.2与经典模型对比分析

5.3.3与FT-ST-GBRT和FT-ST-SVR对比分析

5.4本章小结

6 总结与展望

参考文献

附 录

A. 作者在攻读硕士学位期间发表的论文目录

B. 作者在攻读硕士学位期间参与项目

C. 学位论文数据集

致 谢