面向多粒度交通流预测的时空深度回归模型
交通流预测是智能交通系统中的一类重要问题.尽管当前交通流预测方法取得了较好的进展,但还面临2个关键挑战:(1)交通流的变化模式不仅依赖于时间维度上的历史信息,还依赖于空间维度上相邻区域的信息,如何兼顾两个维度上的变化模式;(2)时间本身具有小时、天及周等多粒度特性,如何实现多粒度下时序模式的捕捉.本文针对交通流预测的上述挑战,设计了一个多粒度时空深度回归模型(Spatial-temporal Deep Regression Model for Multi-granularity,MGSTDR),其基本思想是在多粒度时空交通流信息的基础上,对典型的差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)进行深度拓展,该模型在有效利用自身历史信息的同时,能兼顾相邻区域的信息,从而能够实现多粒度的时序交通流量预测.多个数据集上的实验结果表明,该模型在多粒度预测任务上优于现有的多个基准模型,尤其在小时这一粒度的预测结果上有5.66%的提升.
多粒度、时空相关性、交通流、深度学习、自回归
40
TP389.1(计算技术、计算机技术)
国家自然科学基金;广东省自然科学基金资助项目
2023-08-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
1-8