基于時(shí)空時(shí)移特征的短時(shí)旅行時(shí)間預(yù)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(shí)代背景下，城市交通路網(wǎng)變得日益復(fù)雜化、多元化，因此對城市交通的承載能力也有了進(jìn)一步的需求。人們在出行的同時(shí)逐漸更為關(guān)注通行的時(shí)間和效率，精準(zhǔn)的旅行時(shí)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(shí)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(shí)交通旅行時(shí)間預(yù)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(jià)值。
　　現(xiàn)階段對于短時(shí)交通旅行時(shí)間預(yù)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(jì)算復(fù)雜度低，易于部署，然而正是因?yàn)槿狈?fù)雜計(jì)算，樸素方法通常存在預(yù)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(yù)先定義，而模型參數(shù)數(shù)值需要在實(shí)驗(yàn)中計(jì)算得到。這類方法主要基于時(shí)間序列分析，包括自回歸滑動(dòng)平均（ARMA）模型，差分自回歸滑動(dòng)平均(ARIMA)模型和時(shí)空差分自回歸滑動(dòng)平均(STARIMA)模型。這類方法的特點(diǎn)是根據(jù)歷史通行時(shí)

3、間序列，通過滑動(dòng)平均、自回歸等運(yùn)算來預(yù)測下一時(shí)間片段中的路段通行時(shí)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(biāo)路段旅行時(shí)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(xùn)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?dú)v史數(shù)據(jù)。這類方法主要有人工神經(jīng)網(wǎng)絡(luò)(ANN)，隨機(jī)森林(RF)和支持向量機(jī)(SVM)。而基于記憶的方法則需要維護(hù)一個(gè)額外的數(shù)據(jù)庫來存

4、儲歷史數(shù)據(jù)，因?yàn)闅v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(yù)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(yù)測精度較高，但是同樣存在特征單一，未考慮城市交通時(shí)空特征和時(shí)移特征的缺點(diǎn)。
　　短時(shí)旅行時(shí)間預(yù)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(shí)間預(yù)測的深度學(xué)習(xí)方法提供了數(shù)據(jù)基礎(chǔ);另一方面，計(jì)算機(jī)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(jì)算技術(shù)愈發(fā)成熟，也為旅行時(shí)間預(yù)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(shí)空和時(shí)移特征，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)與長短時(shí)記憶網(wǎng)絡(luò)(LSTM)進(jìn)行旅行時(shí)間預(yù)測的混合預(yù)測模型。本文中，我們將首先介紹我們所提出的時(shí)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(biāo)路段的相關(guān)路段的方法，篩選出當(dāng)前時(shí)間段內(nèi)對目標(biāo)路段的旅行時(shí)間有影響的上游相關(guān)路段。然后根據(jù)相關(guān)路段構(gòu)建

6、時(shí)空時(shí)移特征矩陣。最后通過CNN提取特征并用LSTM進(jìn)行旅行時(shí)間預(yù)測。我們的方法在現(xiàn)有方法的基礎(chǔ)上作出了很大的進(jìn)步，一方面針對城市交通數(shù)據(jù)提出了時(shí)移特征，并結(jié)合空間特征進(jìn)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(shí)數(shù)據(jù)集進(jìn)行了驗(yàn)證，實(shí)驗(yàn)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(xiàn)主要有以下幾點(diǎn):在短時(shí)旅行時(shí)間預(yù)測問題的研究中，首次提出了結(jié)合