稀疏数据下的交通状态估计自适应卷积网络

摘要

卷积神经网络（CNN）是目前交通状态估计的深度学习算法中提取交通特征的关键模块，其对稀疏数据和多模式交通状态的计算不稳定，制约深度学习的状态估计精度。为进一步提升CNN的交通特征分析精度，本文建立了一种编码-解码的交通自适应卷积网络。首先，本文所提网络构建一种交通特征编码CNN，采用下采样操作聚合邻域交通信息，以从稀疏数据中提取有效的交通特征；其次，构建交通状态自适应重构CNN，利用提取的特征准确重构不同模式的交通状态。为表征多样化交通状态时空结构，该CNN引入先验知识引导卷积核形变。最后，实验采用长春市出租车GPS数据对算法在稀疏数据和不同情景下的交通状态估计性能进行验证。实验结果表明，与LSTM、GAN等先进算法相比，本文提出的改进的CNN算法估计精度提高了6.05 km/h RMSE，同时在不同交通情景下的估计精度仅差3.34%RMSE，能为深度学习估计交通状态提供有力的交通特征分析支撑。

关键词

交通管理工程 / 交通状态估计 / 稀疏数据 / 卷积神经网络 / 编码-解码结构