摘 要

交通是影响着数百万人日常生活的城市脉搏，准确的交通流量预测模型有助于对交通资源合理的分配，以减少交通拥堵带来的负面影响。所以现在面临的挑战是如何在大量数据支持的情况下，建立能够处理复杂的空间联系和时序信息的模型。传统的时间序列预测技术方法已无法应对复杂的非线性时空关系，而深度学习技术能够学习大型数据的复杂特征和相关性的特性，让人们有了更有效的方法来对交通流量进行预测。

本文使用基于深度学习模型的局部时空网络充分考虑了空间关系和时间关系，通过多层网络来同时对时序信息和空间位置信息建模。在实验过程中发现，空间依赖性可能是会随着时段发生改变，而时序信息可能会在周期循环间产生一些偏移，不满足空间依赖性在时间序列上是固定的且时序信息具有严格周期性这一前提，所以本文在局部时空网络的基础上设计了转移处理机制来获得位置之间的动态相似性和周期偏移处理机制来应对长期时序信息周期的扰动变化。并且在公开真实数据集上验证本方法的有效性。

关键词：交通预测；时空网络；空间动态相似性；周期性偏移

ABSTRACT

Nowadays traffic is the pulse of the city that affects the daily lives of millions of people, and accurate traffic flow prediction models can help to rationally allocate traffic resources to reduce the negative impact of traffic congestion. Therefore, the challenge now is to build a model that can handle complex spatial connections and timing information with the support of large amounts of data. Traditional time series forecasting techniques have been unable to cope with complex nonlinear space-time relationships. The deep learning technology can learn the complex characteristics and correlation characteristics of large data, which makes people have more advanced methods to protect the traffic flow.

In this work, a local spatio-temporal network based on deep learning models is used to fully consider the spatial relationship and temporal relationship, and the time series information and spatial position information are modeled simultaneously through a multi-layer network. In the experimental process, it was found that the spatial dependency may change with the time period, and the timing information may produce some offset between the cycle cycles. The spatial dependency is not fixed in the time series and the timing information has a strict period This premise is based on the local spatio-temporal network, so this paper designs a transfer processing mechanism to obtain dynamic similarity between positions and a periodic offset processing mechanism to deal with the perturbation changes of the long-term timing information cycle. And verify the effectiveness of this method on the public real data set.

Key Words：Traffic prediction; Spatial-temporal network; Spatial dynamic similarity; Periodic temporal shifting

目录

摘 要 I

ABSTRACT II

目录 0

第一章 绪论 1

1.1 大数据下交通流量预测的发展 1

1.2 国内外研究现状 1

1.3 本文的主要研究内容及预期目标 2

第二章 局部时空网络 4

2.1局部卷积神经网络 4

2.1.1卷积层（Convolutional layer） 4

2.1.2池化层（Pooling layer） 6

2.1.3全连接层（ Fully-Connected layer） 7

2.1.4对空间依赖性进行建模 7

2.2短期时间序列网络 7

2.2.1长短期记忆网络 7

2.2.2对短期时间依赖建模 8

2.3本章小结 8

第三章 动态时空网络 9

3.1空间动态相似性：转移处理机制 9

3.2时间动态相似性：关注周期性偏移 10

3.3整体架构 11

3.4模型及算法介绍 12

3.4.1转移处理模型 12

3.4.2周期偏移信息特征提取 13

3.4.3周期偏移处理 14

3.5本章小结 14

第四章 实验设计及结果分析 15

4.1实验环境介绍 15

4.1.1硬件环境 15

4.1.2软件环境 15

4.2实验设置 15

4.2.1数据集 15

4.2.2预处理 16

4.2.3超参数设定 16

4.2.4评估指标和基准 16

4.3结果分析 17

4.3.1性能分析 17

4.3.2灵敏度分析 18

4.4本章小结 19

第五章 总结与展望 20

5.1文章总结 20

5.2 未来展望 20

参考文献 21

致谢 23

第一章 绪论

1.1 大数据下交通流量预测的发展

在现今的城市生活中，城市的运作依赖于数量庞大的居民的交通出行。但与此同时，由于交通堵塞的问题，导致了燃料浪费，空气污染过多，时间浪费和生产率降低的问题，交通拥堵每年在全球范围内造成巨大的经济损失^[1]。所以如何构建一个高效的交通系统是一个走向未来智慧城市的最基本问题之一。因此，精准的需求预测模型是解决这一问题的关键所在。在这一问题得到充分解决的情况下，我们将能够获取更加准确的出行需求预测结果，进而可以更好地预分配资源以满足出行的需求并减少不必要的能源消耗。

当前，随着Uber和滴滴出行等出租车请求服务的日益普及，我们如今能够收集大量的需求数据，这是在以前所不能做到的。这一现象也已经引起AI研究社区的越来越多的关注。各个竞赛平台相关的研究亦层出不穷，由此可见，现如今的环境下结合大数据的交通流预测这一研究的发展潜力是巨大的且竞争颇为激烈的。

在大数据的环境下，时间、空间以及外部因素等都可能对交通流量预测产生影响。例如，在时间因素方面，城市区域交通的流量受或近或远的时间影响；在空间因素方面，一个区域的流量可能受周围区域的地区特性的影响；在外部因素方面，节、假日或者特殊事件、风速以及天气等也会对交通流量造成影响。因此，如何利用这些多样的数据来改进模型，使对需求量的预测更加精准是目前的关键所在。而传统的需求预测方法大多依赖于时间序列预测技术，这些技术无法对复杂的非线性时空关系建模。

深度学习的最新进展表明，通过对大型数据的复杂特征和相关性的学习之后，它能够在传统的挑战性任务（例如图像分类）上表现出卓越的性能。在得到这一突破的启发后，研究人员开始探索有关交通预测问题的深度学习技术。现已有不少研究使用深度学习技术考虑了空间关系或时间关系，解决了传统的大多依赖于时间序列预测技术的需求预测方法中无法对复杂的非线性时空关系建模的问题。