10、基于深度学习的交通预测模型研究

基于深度学习的交通预测模型研究

1 深度学习在短期交通预测中的应用

1.1 深度学习优势

深度学习已成为短期交通预测的流行技术，其主要优势在于结构灵活性和准确性。与传统机器学习工具类似，深度学习作为一种数据驱动方法，无需大量理论物理规则来建模交通。

1.2 应用要素

应用深度学习工具进行短期交通预测主要有两个要素：数据表示和模型架构设计以捕捉时空交通特征。

1.3 数据表示方法

1.3.1 走廊数据表示

对于从走廊收集的交通数据，可以通过位置和时间信息简单生成向量。例如，使用从芝加哥某走廊的21个路段收集的数据预测短期交通流速度，用向量表示交通速度。

1.3.2 复杂网络结构数据表示

• 图表示 ：通过加权有向图结构表示网络级交通数据，节点为交通传感器，边的权重表示传感器对之间的接近程度。但存在仅考虑接近程度，未考虑其他因素的问题。
• 链接网络 ：节点代表现实世界的路段，具有速度限制、车道数量和长度等属性，边表示道路网络的链接。通过基于GRU的传播模块学习交通流的传播及其对交通的影响。
• 图像 ：将交通时空矩阵转换为图像，每个像素代表矩阵中的一个值。但转换后的图像无法学习网络级别的依赖关系和关系，且难以从一个位置转移到另一个位置，显著降低计算效率。

1.4 时空特征捕捉模型

• Polson和