基于深度学习的OD需求预测技术研究

作     者：卢家纬 

作者单位：黑龙江大学 

学位级别：硕士

导师姓名：任倩倩

授予年度：2024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] 0838[工学-公安技术] 0835[工学-软件工程] 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：OD流量预测 图表示学习 多级注意力网络 

摘      要：OD(Origin Destination)需求预测问题是智慧交通领域的一个重要研究问题,该问题是根据过去一段历史时间的OD流量,预测将来某一段时间的OD流量。OD流量是人口流动的基本表现,从出发地到目的地和从目的地到出发地的人口流动组成了一个OD对,在本文中用车流流动来研究OD需求预测问题。OD需求预测在各个领域都有广泛的应用,如出租车调度,城市道路规划等。OD需求预测已经得到了广泛研究并提出了一系列有效的预测方法,然而如何捕捉连续时间特征和动态的空间特征,这是一项具有挑战性的任务。针对现有研究存在的问题,本文对现有OD需求问题进行深入研究并提出两个有效的OD需求预测方法。本文的主要研究成果如下: (1)本文提出了一种基于多级注意力网络的新框架用于OD需求预测(Spatial-Temporal Memory Enhanced Multi-Level Attention Network,简称为STMEN)。ST-MEN充分考虑外部因素对交通状况的影响,并增强预测性能。首先,ST-MEN将外部特征提取与动态空间特征以及连续和离散时间特征提取相结合。这种组合使模型能够捕捉与外部因素、节点之间的空间依赖关系和时间动态相关的广泛信息。其次,ST-MEN具有动态空间特征提取的能力,能够有效捕捉复杂空间-时间动态依赖关系并重视不同区域之间的复杂互动,在学习其他区域的信息的同时,还能尽可能保存本区域已经学习过的信息,最后ST-MEN还能捕捉动态和静态的时间依赖关系,能捕捉多种时间模式,包括离散时间和连续时间信息。解决了以往研究不能同时捕捉和有效整合离散时间和连续时间信息的问题,为验证ST-MEN的有效性,对两个真实世界的数据集进行了大量实验。结果表明,所提出的模型在OD需求预测性能方面优于现有方法。 (2)本文提出了一个基于图表示学习的OD需求预测算法(Graph Representation Learning of Encoder-Decoder for Origin-Destination Flow Modeling,简称为GRED),本算法用于人口流动建模的通用动态表示学习框架。首先本算法构造了一个连续时间动态图编码器-解码器结构,不同于以往的研究把输入的动态图离散化为多个快照,本算法创新性地将关键的动态空间-时间依赖关系编码为不断演化的节点表示。其次,为了对抗学习过程中的遗忘,算法使用位置注意力来保存该节点之前的学习信息,同时再挖掘该节点的隐含信息,接下来,在多尺度特征联级联模块中通过学习不同尺度下的时间特征进一步增强了捕捉动态时间依赖关系的能力,然后,在自适应全局关系模块中不仅捕捉了自身节点的空间依赖关系,还进一步捕捉整合了周围节点的空间依赖关系,最终,学习到的节点表示可以在多个下游任务中检索和利用。在两个大规模数据集上的实验证明了所提出模型的有效性和鲁棒性。