丁子杰

个人信息

学术成果

共撰写/参与撰写专利 0 项，录用/发表论文 0 篇，投出待录用论文0篇。

学位论文

Theses

1. 基于图卷积神经网络的交通流预测方法研究 丁子杰 中国科学技术大学, 合肥 2024 [Abs] [pdf]

   近年来，我国城市现代化进程迅速推进，城市公共设施和居民生活水平显著 提升。然而，随着人口急速增长和交通规模不断扩大，交通拥堵成为城市居民生 活的主要困扰。《2023 年第 3 季度中国城市交通报告》报告指出，我国主要城市 通勤出行总体呈拥挤趋势。城市路网的承载力未能与城市发展速度和车辆增长 率同步提升，导致了许多城市在高峰时段经常出现严重的交通拥堵。在这种背景 下，城市交通流预测的发展显得尤为重要。交通流预测能为出行者提供拥堵预 警，同时也为交通管理部门实施交通管制提供了一个重要工具。 然而，一方面由于交通数据集时空性较复杂，常用的模型没有充分地挖掘出 路网交通节点和邻接矩阵中的远程时空特征和隐藏动态空间特性，使得长期预 测准确度欠佳，存在较大的预测误差。另一方面，先前方法在做出行需求预测时 存在将起始地和目的地视为相同的语义实体和起始地-目的地（OD）数据复杂的 空间依赖性问题，此外，还有需求分布的不均衡导致了 OD 数据的稀疏性问题。 这一系列因素为基于图卷积神经网络的交通流预测方法研究带来了挑战。 针对上述挑战，本文开展了基于图卷积神经网络的交通流预测方法研究，主 要研究内容包括： 1. 针对常用的方法没有充分地挖掘出路网交通节点和邻接矩阵中的远程时 空特征和隐藏动态空间特性问题，提出了一种基于时空融合动态图卷积方法，实 现了较为精准的长期交通流量的预测。本文将概率稀疏自注意力机制与时空卷 积块结合一起，使得模型具有建模长程时空相关性能力的同时保持更高的计算 效率。采用了动态图卷积网络，充分利用先验知识生成动态图来捕捉交通流的隐 藏空间特征。通过在两个真实数据集上的对比实验，本文提出的长期交通流量预 测方法与现有基线方法相比，展现了最佳的预测性能。 2. 针对先前方法在做出行需求预测时存在将起始地和目的地视为相同的语 义实体、OD 数据复杂的空间依赖性和 OD 数据稀疏性的问题，提出了一种融合 渐进图卷积与构造网络更新的方法，实现了较为精准的 OD 需求预测。本文将渐 进图卷积网络、图构造网络与分层记忆更新模块结合，使得模型更好地捕捉不同 时间尺度上的相关特征。引入随机游走采样模块，区分原点和目的地为不同的 语义实体，以避免混淆两种类型的信息。此外，还设计了一个损失函数，优化了 OD 数据稀疏性的问题。在真实数据集上的实验验证，本文所提出 OD 需求预测 方法，相比于现有基线方法，展现了更优的预测准确性。

毕业去向

中国电建集团北京勘测设计研究院有限公司， 软件开发工程师