原文传递
城市区域复杂路网交通拥堵指数预测模型
| 论文题名： | 城市区域复杂路网交通拥堵指数预测模型 |
| 关键词： | 交通预测;卷积神经网络;循环神经网络 |
| 摘要： | 交通情况如今受到越来越广泛的关注，交通指数的预测是交通流预测中具有代表性的任务之一。当前的交通预测更多的侧重于道路级别的交通速度预测，关于区域级别的复杂路网的交通流分析和预测并未得到很好地解决。因此本文针对城市区域复杂路网交通拥堵指数预测问题进行了研究。 本文分析了当前交通流的各类影响因素以及不同的预测挑战，然后针对分析出的两类交通指数预测问题分别设计了两种交通指数预测模型DRNET和MFNET。首先针对交通情况进行了统计分析并提出了AOI聚类方法对交通流的时空演变特征进行了可视化分析。为了解决交通流预测中的两类子问题，DRNET为将间隔为10分钟的时间序列数据转换成图片数据作为模型的输入，通过融合稠密连接网络和残差网络的思想构建用于长期预测的模型。MFNET将交通指数数据与天气和空气质量数据融合成三维矩阵，通过本文提出的聚焦机制和多时序机制提取出天气和交通间的复杂关系，用来解决区域内复杂路网的短期交通指数预测。 通过两个模型的互补可以完整可靠的预测复杂区域路网下的短期、中期以及长期的交通流情况。以成都市的商业区和风景名胜区的两个实际复杂交通网络为例，将DRNET和MFNET与常见的时间序列模型和卷积神经网络模型以及各类先进的模型进行对比验证。结果表明，本文所提出的两个模型相比于对比模型的获胜次数为23/24和26/30，能够充分地捕捉区域内复杂路网的时空关系特征并做出精准的预测。 |
| 作者： | 孙羽志 |
| 专业： | 软件工程 |
| 导师： | 徐秀娟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
