论文部分内容阅读
行程时间预测是ITS技术和先进的交通管理系统(Advanced transportation managementsystems, ATMS)发展和应用的重要组成部分,对于管理者制定主动交通管理政策和出行者规划合理高效的出行路径具有重要意义,也是推动交通流理论发展的重要理论研究方向。然而,城市道路行程时间受到交叉口信号控制、交通需求的动态性和不确定性及大量交通事件的影响而呈现出剧烈波动性和强随机性特点,使准确、稳健预测的难度大大增加。同时,随着机器学习领域的理论革新、高性能计算和大数据技术的逐渐兴起,深度学习渐渐从无法实现的概念发展成为可以超越众多模型实现准确预测和进行大规模应用部署的复杂机器学习模型,因而受到越来越多的研究者关注。
既有的部分浅层学习预测方法具有脆弱性,浅层性和有限性等特点,对突发性交通事件难以准确建模,无法提取丰富特征,只对特定时间段内的预测有效,因而无法成功解决城市道路行程时间预测的问题;而深度学习方法提取特征层次丰富,能较好地对具有时间依赖的数据建模。然而深度学习也面临训练开销大,超参数优化困难的挑战。本研究旨在建立基于深度学习的城市道路行程时间预测模型与方法,并从稳定性、准确性等多个角度对比既有研究中有代表性的浅层学习模型与方法。本文主要研究内容如下:
1)深入对比分析既有浅层学习与深度学习方法的发展情况,并提出基于滑动时间窗的短时动态预测机制;
2)提出一种适用于城市道路行程时间预测的LSTM-DNN深度学习模型,并实现经典的浅层学习模型(如线性回归,岭回归,LASSO回归,随机森林等)以进行预测性能的全面综合对比;
3)为了构建最优的深度学习模型,本文创新性地提出一套基于网格搜索,多预测场景调优和多组训练法的深度学习超参数最优化方法。多组训练法可以规避深度学习模型随机性问题。基于2017年深圳市城市道路行程时间数据,构建10个不同预测场景进行了模型验证,以全面综合对比特定超参数下的模型性能。
4)建立了多种基于浅层学习和深度学习模型为次级学习器的集成学习模型,探究集成学习模型是否能够综合浅层学习和深度学习模型的不同特点以提升城市道路行程时间的预测水平。
既有的部分浅层学习预测方法具有脆弱性,浅层性和有限性等特点,对突发性交通事件难以准确建模,无法提取丰富特征,只对特定时间段内的预测有效,因而无法成功解决城市道路行程时间预测的问题;而深度学习方法提取特征层次丰富,能较好地对具有时间依赖的数据建模。然而深度学习也面临训练开销大,超参数优化困难的挑战。本研究旨在建立基于深度学习的城市道路行程时间预测模型与方法,并从稳定性、准确性等多个角度对比既有研究中有代表性的浅层学习模型与方法。本文主要研究内容如下:
1)深入对比分析既有浅层学习与深度学习方法的发展情况,并提出基于滑动时间窗的短时动态预测机制;
2)提出一种适用于城市道路行程时间预测的LSTM-DNN深度学习模型,并实现经典的浅层学习模型(如线性回归,岭回归,LASSO回归,随机森林等)以进行预测性能的全面综合对比;
3)为了构建最优的深度学习模型,本文创新性地提出一套基于网格搜索,多预测场景调优和多组训练法的深度学习超参数最优化方法。多组训练法可以规避深度学习模型随机性问题。基于2017年深圳市城市道路行程时间数据,构建10个不同预测场景进行了模型验证,以全面综合对比特定超参数下的模型性能。
4)建立了多种基于浅层学习和深度学习模型为次级学习器的集成学习模型,探究集成学习模型是否能够综合浅层学习和深度学习模型的不同特点以提升城市道路行程时间的预测水平。