论文部分内容阅读
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。
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。