论文部分内容阅读
智能交通系统(ITS)的建设,推动了交通大数据的发展,交通流预测问题中,适合大型数据集的深度学习方法不断受到关注。深度学习使用大量参数进行非线性高复杂度的函数近似,这使得深度学习非常适合处理复杂的交通流问题,一些深度学习的模型已经在道路交通流预测问题中得到了非常好的预测结果。但是路网交通流预测方面研究较少。目前的路网交通流预测的深度学习架构大体上包含集中式建模(Centralized Modeling)与分散式建模(Decentralized Modeling)两种,前者预测准确度不能充分体现深度学习算法的能力与大数据集的驱动力,后者方法结构简单、预测准确,但是极高的参数量使其难以实际应用在大型路网交通流预测中。本文首先进行了交通流预测的深度学习模型比较,对MLP、SAE、SimpleRNN、LSTM、GRU5种单元进行了建模、训练以及模型评估,其中得到了 LSTM与GRU的预测水平最好,模型收敛性明显高于其他方法的结论。另外,本文提出了一种基于LSTM或GRU的异步残差模型进行路网交通流量预测的方法,将交通流预测的深度学习方法向路网交通流进行推广,旨在于缩减路网交通流模型的参数量,并且保持与原有模型接近的预测精度。根据分析ARIMA模型对交通流数据的处理过程及其思想,将具有系统性的路网交通流数据特征区分为明显的、比较普遍的广义共性特征与表现不明显、依据不同道路状态存在于单一或少量道路交通流中的个性特征,并提出了异步残差作为共性特征与个性特征的分离方法,在本文中,借鉴了残差网络的结构特点,清晰地定义了异步残差,并且充分描述了异步残差作用,以及在所提出的架构模型中的运行方式与机理。本文使用中心模块(CenterModule)对路网进行集中式构建一个大型模型提取全路网的共性特征,并且在各条道路预测上提供参数共享,通过参数重用提高参数利用率,使用独立模块(RoadModule)针对各条道路学习异步残差序列提取道路个性特征,并且构建小型化深度学习模型以提高模型的预测精度,再通过模型融合形成异步残差(Asynch-Res)路网交通流预测模型。本文使用UCI的PEMS-SF机器学习数据集,构建了 20个有效的异步残差模型进行比较,证明了异步残差架构的预测模型具有原有模型非常接近的预测精度且参数量消耗大大减少。与以往的普通结构相比较,本文提出的异步残差的方法能够实现在文中定义的评价指标Acc0.02上具有超过93%的预测正确率,远远超过集中式模型的限制,以及参数量仅约为分散式模型参数量的1/7。