基于時空時移特征的短時旅行時間預測.pdf

1、在社會飛速發(fā)展、汽車等交通工具大范圍普及的時代背景下，城市交通路網(wǎng)變得日益復雜化、多元化，因此對城市交通的承載能力也有了進一步的需求。人們在出行的同時逐漸更為關注通行的時間和效率，精準的旅行時間不僅可以優(yōu)化居民出行路線，減少不必要的出行擁堵時間，還能夠減少繁忙路段的交通流量，避免交通堵塞，緩解交通壓力。因而城市短時交通旅行時間預測問題的研究對于改善居民生活和城市交通都具有重要的意義和研究價值。
　　現(xiàn)階段對于短時交通旅行時間預測問

2、題的研究，主要分為樸素方法，參數(shù)方法，非參數(shù)方法和混合方法四類。樸素方法如歷史平均算法(HA)，計算復雜度低，易于部署，然而正是因為缺乏復雜計算，樸素方法通常存在預測結(jié)果精度不高的問題;參數(shù)方法是指方法模型結(jié)構(gòu)已被預先定義，而模型參數(shù)數(shù)值需要在實驗中計算得到。這類方法主要基于時間序列分析，包括自回歸滑動平均（ARMA）模型，差分自回歸滑動平均(ARIMA)模型和時空差分自回歸滑動平均(STARIMA)模型。這類方法的特點是根據(jù)歷史通行時

3、間序列，通過滑動平均、自回歸等運算來預測下一時間片段中的路段通行時間，并沒有考慮到交通數(shù)據(jù)的空間特征和其他路段對目標路段旅行時間的影響;非參數(shù)方法是指模型結(jié)構(gòu)及其參數(shù)均需要在訓練中確定，又分為基于模型的方法和基于記憶的方法兩類。在基于模型的方法中，歷史數(shù)據(jù)被用來構(gòu)建模型結(jié)構(gòu)，一旦模型結(jié)構(gòu)得以確定將不再需要歷史數(shù)據(jù)。這類方法主要有人工神經(jīng)網(wǎng)絡(ANN)，隨機森林(RF)和支持向量機(SVM)。而基于記憶的方法則需要維護一個額外的數(shù)據(jù)庫來存

4、儲歷史數(shù)據(jù)，因為歷史數(shù)據(jù)不僅被用在構(gòu)建模型結(jié)構(gòu)的階段，也需要被用于預測階段。典型方法有k近鄰（kNN）算法。非參數(shù)方法更加充分地挖掘了數(shù)據(jù)特征，預測精度較高，但是同樣存在特征單一，未考慮城市交通時空特征和時移特征的缺點。
　　短時旅行時間預測問題是智能交通系統(tǒng)(ITS)的重要研究課題之一，一方面城市交通數(shù)據(jù)每天在以指數(shù)級的速度在增長，為旅行時間預測的深度學習方法提供了數(shù)據(jù)基礎;另一方面，計算機硬件能力也得到了極大的提升，多核處理器

5、逐漸普及，GPU并行計算技術(shù)愈發(fā)成熟，也為旅行時間預測問題的研究提供了硬件保障。本文介紹了一種基于交通數(shù)據(jù)時空和時移特征，結(jié)合卷積神經(jīng)網(wǎng)絡(CNN)與長短時記憶網(wǎng)絡(LSTM)進行旅行時間預測的混合預測模型。本文中，我們將首先介紹我們所提出的時移特征的定義，然后提出根據(jù)KL-散度（KL-divergence）和城市路網(wǎng)結(jié)構(gòu)過濾并提取目標路段的相關路段的方法，篩選出當前時間段內(nèi)對目標路段的旅行時間有影響的上游相關路段。然后根據(jù)相關路段構(gòu)建

6、時空時移特征矩陣。最后通過CNN提取特征并用LSTM進行旅行時間預測。我們的方法在現(xiàn)有方法的基礎上作出了很大的進步，一方面針對城市交通數(shù)據(jù)提出了時移特征，并結(jié)合空間特征進行了有效建模，另一方面我們的CNN-LSTM模型能夠有效處理輸入矩陣，并具有對長期數(shù)據(jù)的記憶能力。我們的方法通過真實數(shù)據(jù)集進行了驗證，實驗結(jié)果表明我們的模型效率與現(xiàn)有方法相比有明顯提高。
　　本文的貢獻主要有以下幾點:在短時旅行時間預測問題的研究中，首次提出了結(jié)合