论文部分内容阅读
近年来,中国GDP和人口城镇化的迅速增长,促使中国政府加大了交通行业的投资,城市路网规模得到了相应发展,但由于城市地形地貌、大型建筑物等外部环境因素的影响,导致城市路网无法随意扩建。而现阶段城市居民机动车保有量增长迅速,致使城市道路网络等交通基础设施的建设速度与机动车保有量增长速度不符,从而导致交通拥堵问题严重。实时、准确的城市道路交通信息预测已经成为缓解交通拥堵问题的关键。传统的交通流预测方法,在建模过程中大多仅考虑了城市道路交通流在时间或者空间为的单一特性,缺乏对城市道路交通流时空特性的深入分析,致使现存的交通流预测模型存在预测精度低、无法及时更新参数等问题。针对上述问题,本文以城市道路上的车流量为研究对象,从城市道路交通流的时空特性入手,详细分析了城市道路网络结构及实际路网中路段上交通流的时间特性和空间特性,并在构建城市道路交通流预测模型时加入了空间邻近路段交通流的影响,设计了同时考虑研究目标路段历史流量数据及其空间邻接路段交通流量数据的城市道路交通流预测方法,使得城市道路交通流预测精度有了一定提升。本文的核心内容如下:首先,深入分析了城市道路交通流的时间特性和空间特性,并对现有的城市道路交通流预测方法进行了综述性介绍;其次,深入分析了城市道路网络结构特性及其道路上交通流的时空特性;最后,在城市道路交通流时空特性分析的基础上,构建了两种综合考虑城市道路交通流时空特性的预测模型——LSTM-RF模型和GCN+LSTM模型。第一种LSTM-RF模型首先借助LSTM良好的线性拟合能力和RF较强的泛化能力分别对研究目标路段的交通流数据和空间上与其相邻路段的交通流数据进行深入分析,获得研究区域交通流在时间维和空间维的预测结果,然后利用决策级数据融合的思想,有效融合两种模型的预测结果,实现城市道路交通流预测;第二种模型GCN+LSTM模型,首先借助GCN网络的权值共享特性提取出研究目标路段交通流的空间特性;其次借助LSTM网络的记忆特性实现目标路段周期信息的提取;然后通过GCN和LSTM的恰当组合实现城市道路交通流时空特征的融合。最终通过实际数据,验证了本文所提预测方法的预测性能。