基于模态分解算法与深度学习的城市交通流预测研究

作     者：郝俊 

作者单位：兰州理工大学 

学位级别：硕士

导师姓名：张玺君

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 0835[工学-软件工程] 082302[工学-交通信息工程及控制] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：交通流预测 模态分解算法 深度学习模型 时空特征 双阶段注意力机制 

摘      要：随着我国城市化水平的不断加速和交通网络的不断扩大,交通拥堵和有害气体排放已经成为许多城市面临的重要问题。短时交通流预测是交通领域的一项重要技术,精确、有效的短时交通流预测结果对于缓解道路拥堵,减少有害气体排放至关重要。目前,常用的交通流预测研究方法忽略了交通流数据中存在的噪声和交通流的时空相关性。因此,本文提出将模态分解算法与深度学习相结合,通过建立组合模型展开对城市路网交通流的分析研究。本文所做的主要工作如下:(1)针对城市交通流随机波动性强,数据中含噪声多,导致预测精度下降的问题,提出EEMD+Bi GRU组合模型。首先,使用集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对原始交通流数据进行分解,获得若干本征模函数(Intrinsic Mode Function,IMF)和一个残余分量(Residual component,Res);其次,根据获得的IMF分量绘制噪声能量图谱,分离原始数据中存在的噪声;最后,将剩余的IMF分量输入至双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi GRU)中学习序列的时间特征,最终输出预测结果。实验结果表明,与长短时记忆神经网络(Long-Short Term Memory,LSTM)、基于EMD的组合模型相比,EEMD+Bi GRU模型具有较好的预测效果。(2)针对EEMD算法在分解过程中存在不能完全中和添加的噪声,导致分解结果重构性差,使交通流预测精度下降的问题,提出MEEMD-DBA(MEEMD-DBi LSTM-Attention)组合模型。首先,从多个角度对比EEMD算法与改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)算法,再使用MEEMD算法对原始交通流数据进行分解,获得IMF分量及Res分量;其次,通过计算IMF的能量值分离噪声;然后,将剩余IMF分量输入至双层双向长短期记忆网络(Double-layer Bidirectional Long-Short Term Memory,DBi LSTM)进行训练,在训练过程中加入注意力机制(Attention Mechanism)关注数据中的重要特征,最后输出交通流预测结果。实验结果表明,提出的MEEMD-DBA组合模型在短时交通流预测中具有较好的预测效果。(3)针对短时交通流预测模型中模态分解算法参数难以确定,时空矩阵含有噪声,模型无法自适应关注交通流数据的输入特征,导致模型预测准确度下降的问题,提出一种基于模态分解算法的时空融合组合预测模型。首先分析多条道路与待研究道路的相关性,挑选相关性较强的几条道路;然后使用蜉蝣优化算法(Mayfly Optimization Algorithm,MOA)对自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法的参数进行寻优,找出最佳参数组合,对原始交通流数据进行分解;利用分解后的IMF分量构建时空矩阵,使用门控线性单元(Gated Linear Unit,GLU)和卷积神经网络(Convolutional Neural Network,CNN)分别提取交通流数据的时空特征,结合双阶段注意力机制加强模型的特征学习能力,最后输出预测结果。实验结果表明,提出的组合模型与其他基准模型相比,具有较好的预测效果。