基于时空卷积神经网络的流量预测技术研究

作     者：李朝 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：张勇

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] 0835[工学-软件工程] 081201[工学-计算机系统结构] 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）] 

主      题：流量预测 时空特征 图卷积神经网络 联邦迁移学习 

摘      要：随着城市化进程的不断加快,不断增加的人口和移动设备数量以及他们显著的流通性造成了交通拥堵以及资源分配困难等一系列问题,给智能城市化系统带来了严峻的挑战。作为智能控制系统的重要组成部分,流量预测技术旨在利用已观测的历史数据预测未来的流量信息,管理者可根据预测结果进行合理的流量调度,及时应对可能出现的突发情况,从而达到提高管理效率,减少资源浪费的目的。然而实现精确的流量预测是有挑战的,现有的模型难以全面挖掘流量数据的时空特征,并在长期预测中始终保持较高的预测精度,此外现有研究并不能很好的处理多区域协同流量预测中各区域数据差异的问题。本文针对现有时空流量预测模型中遇到的挑战,提出了三种有效的时空流量预测框架:1.提出了一种自适应时空卷积网络模型进行流量预测。该模型主要包含自适应时间卷积和自适应空间卷积两个组件。自适应时间卷积网络利用自适应时间转移矩阵提取历史流量信息,通过给不同时间戳分配不同的特征聚合参数反应其异质性,从而达到同时提高长期和短期预测精度的目的。自适应空间卷积可以在没有任何先验知识的情况下,根据特定的预测任务自适应提取全局空间相关性。2.提出了一种自适应图交叉跳步卷积网络模型进行流量预测。该模型包含交叉跳步卷积和双通道自适应空间卷积两个组件。交叉跳步卷积通过多个并行交叉的卷积核提取时间特征,并通过分配不同的卷积核体现出预测时间戳的差异,从而达到同时提高长期预测和短期预测精度的目的。双通道自适应空间卷积在自适应空间卷积的基础上同时构建趋势部分和周期部分的空间相关性,进一步加强了模型的空间特征提取能力。3.提出了一个基于联邦迁移学习的分布式多区域协同流量预测框架。在利用循环神经网络和图卷积神经网络提取时间和空间特征的基础上,利用联邦迁移学习在高质量区域实现全局模型的聚合,并将训练好的全局模型迁移到低质量区域,从而达到各区域有效协同流量预测的目的。在多个公开数据集中的实验结果表明,自适应时空卷积和自适应图交叉跳步卷积的流量预测精度明显优于现有基线模型,并且实现了在预测范围内所有时间戳都达到了最优预测精度的目的。并且在多区域协同预测框架中,联邦迁移学习在不泄漏数据隐私的情况下实现了各区域的整体预测优化。