基于深度学习的城市个体出行动态路径诱导方法研究
作者单位：中国人民公安大学
学位级别：硕士
导师姓名：王景升
授予年度：2022年
摘 要：随着我国机动车保有量增大,城市道路网趋于饱和,人均出行成本升高,道路资源有效利用率降低,公安交通管理部门任务繁重。在当前交通态势下,驾驶人如何能够获得及时、准确的交通出行服务信息,使其可以随交通状态变化迅速调整出行路线,便成了急需研究的课题。传统智能交通系统所采用的最优路径算法基本上没有考虑实时的交通变化,时空总体调控能力有限,在当前交通运行状态变化纷繁的城市道路网上能够起到的作用有限。基于深度学习理论的神经网络模型针对时空调控问题具有较高的可靠性,近年在交通领域内得到了广泛应用,本文基于此类方法对路径诱导问题开展研究。首先,对论文研究内容的国内外研究现状进行了综述,对基于深度学习方法的时间序列预测模型与路径规划方法进行了理论研究,确定LSTM模型为本文预测模型基础,并基于此引入双向机制与一维CNN网络层,提出了CNN-Bi LSTM组合模型。经过超参数与网络结构调整,得到优化后模型的结果误差MAE、RMSE和MAPE分别降低了1.7%、7.7%与3.7%。同时,本文分别以5min、10min、15min粒度的输入数据对组合模型进行训练,分析了不同时间粒度对模型的预测能力的影响,实验结果表明:相比5min粒度,10min粒度下MAPE增长了1.32%,15min粒度下MAPE增长了3.17%;15min粒度相比10min粒度,MAPE增长了1.85%,说明模型预测误差随输入数据粒度变大呈增长趋势。其次,详细分析了几种较为常用的时序预测模型原理及其训练预测流程,以ARIMA模型、RF模型、RBF神经网络模型、LSTM模型及GRU模型为对比模型,从百度轨迹数据中选取深圳市宝安大道主线2020年11月的车速数据,以MATLAB语言对数据进行预处理,设计训练与预测实验模型,实验结果表明:CNN-Bi LSTM组合模型的预测能力最优,其预测误差相较对比模型的RMSE、MAE、MAPE平均降低了33.2%、40.7%、35.5%。再次,基于地理信息数据文件,借助Arc GIS地理信息系统完成了要素类设置、要素集构建、拓扑关系处理、连通性调整、属性及方向设置等工作,建立可用于路径分析的网络数据集,实现了路径分析的可视化,并将其用于后续分析。再次,以从深圳市深圳西站到宝安国际机场的路径为例,借助地图数据,以Dijkstra算法进行了广度优先的行程距离最短路径计算,得到行程距离最短路径的行程方向;又借助百度轨迹数据中2020年11月份相关路段的车速数据,以CNN-Bi LSTM组合模型预测出11月30日的车速结果,和地图数据结合计算出动态行程时间表,将其引入传统路径规划方法A*算法的路径成本计算过程,以最短行程时间为诱导目标,进行动态预测诱导路径计算。以早高峰、晚高峰和平峰三个不同时段,分别计算出动态预测诱导路径结果,并将其行程时间与行程距离最短路径对比分析。实验结果表明:早晚高峰时段动态预测路径较行程距离最短路径的行程时间分别缩短了12%与6.4%,验证了动态A*算法计算动态诱导路径的可靠性。最后,考虑到实践中对诱导响应速度的要求和行程时间计算对车速数据微小差异的容错性,调整动态A*算法输入的数据粒度,分别以5min、10min与15min时间窗计算各时段内的动态诱导路径。实验结果表明:不同时间窗下的路径结果均一致,10min时间窗相较于5min时间窗的平均行程时间差异为2.8%,15min时间窗相较于5min与10min时间窗的平均行程时间差异为4.2%与1.4%,证实了动态A*算法在交通流稳定情况下具有鲁棒性。本文研究成果可以为交通管理工作中的个性化出行服务提供一定的理论基础。
同方学位论文库