陈 钰,张安勤,许春晖
(上海电力大学 计算机科学与技术学院,上海 201306)
随着智能交通系统的发展,交通预测越来越受到重视,它是先进交通控制的重要组成部分.准确地对交通进行预测对城市交通规划、交通管理和交通控制等方面起到了重要的作用.交通预测是分析城市路网上的交通状况、包括流量、车速和密度等,挖掘交通模式,对路网上的交通进行预测的一个过程.交通预测不仅能给管理者提供科学依据来预测交通拥挤并提前限制车辆出行提供科学依据,而且还可以给城市出行者提供适当的出行路线,提高出行效率提供保障.然而,交通预测由于其复杂的时空依赖性,一直是一项具有挑战性的任务.
目前有很多交通预测的方法,早期,有一些是基于时间依赖性来进行分析的,例如ARIMA 模型[1]、卡尔曼滤波模型[2]和SVR[3]模型等.但在实际应用中,这些方法对于不稳定、非线性的数据处理是比较困难的.
近年以来,随着深度学习的快速发展,深度神经网络能够捕获交通数据的动态特征并取得很好的效果,例如,胡鑫泽等[4]构建了基于BP 神经网络的模型来预测城市交通拥堵情况.
根据是否考虑空间依赖,神经网络模型可以划分成两类.一些方法只考虑时间依赖,例如,李校林等[5]构建了PF-LSTM 来预测交通流量;满春涛等[6]使用考虑上下游的LSTM 网络来进行短时交通流量的预测,这些模型考虑时间特征但忽略了空间依赖性,所以交通数据……