论文部分内容阅读
对行程时间进行准确预测,能为交通管理和出行决策提供指导。深度学习作为一种数据挖掘方法,在预测方面则有很好的适用性。本文旨在借助深度学习在数据挖掘方面的优势,利用成都市滴滴浮动车数据,对城市道路行程时间进行预测。首先,论文以成都市网约车轨迹数据为基础,选取成都市新华大道一段长约3km的主干道为研究对象绘制矢量路网,在数据清洗后根据划分网格构建不规则区域的思想快速筛选出研究道路范围内的数据,然后进行坐标系转换并基于时间间隔和距离间隔分布划分轨迹,进而通过确定候选路段集、初阶匹配、前向后向校核实现了快速地图匹配。在此基础上,提取了行程时间等关键信息为深度学习构建了样本集。然后,论文基于对现有预测行程时间的深度学习方法的理解,总结出目前的深度学习预测方法在输入方面考虑因素单一,结构方面解释性不强。为改进这些不足,论文分析了行程时间的时空特性,发现在时间方面行程时间变化趋势符合一定规律,同时段的行程时间相对接近,空间方面相邻道路的行程时间会相互作用,变化趋势接近。基于此,论文以子路段为深度学习结构单元,基于时间特性优化了模型输入,空间特性优化了模型结构,设计了包含交通特征学习层和行程时间预测层的两层模型架构。接着,论文根据模型架构,建立了基于时空特性的深度学习网络模型。在交通特征学习层方面,以路段为研究对象,包含两步:第一,选取了路段平均行程时间、行程时间方差、平均采样点数量和可靠度作为交通特征指标,并确定了指标的提取方法;第二,基于行程时间的时间特性确定了远期历史特征和近期实时特征输入,并利用LSTM模型和多任务学习思想构建了路段历史和实时特征融合的模型。在行程时间预测层方面,以路径为对象,基于行程时间的空间特性建立了双向LSTM模型,并提出了契合模型特征的双向时间间隔向量,并定义了双重损失函数,为模型提供监督信息。最后,论文从梯度下降、学习因子等方面对深度学习的训练过程进行了优化,并通过多次训练对比选定了最佳的网络结构超参数,其中交通特征学习层是层数为2,节点数为108的LSTM融合网络,行程时间预测层是层数为1,节点数为108的双向LSTM网络。论文利用训练得到的模型和传统的LSTM模型、LSTM-DNN模型对休息日和工作日两天16:00-18:00时段的数据进行了预测,从误差指标、变化幅度和趋势、整体分布等各方面进行了评价,结果表明本模型整体表现优于其他两种模型,能够更好地捕捉交通的变化特征,预测适用性更稳定。同时对模型的误差主要来源进行了分析,发现模型在预测出现频率比较少的特殊行程时间时可能会出现较大误差,如凌晨特别畅通的时段或高峰特别拥堵的时段,但即使是特殊情况下,本文模型表现仍优于其他两种模型,说明本文提出的基于时空特性的LSTM模型具有一定的优越性。