基于注意力机制的CNN-GRU船舶交通流预测模型

摘要：

为更准确地预测内河船舶交通流,提出基于注意力机制的CNN-GRU船舶交通流预测模型.该模型主要借助一维卷积单元提取数据的高维特征,GRU单元学习数据中的时序特征,并通过引入注意力机制加强重要特征的学习,实现对超长序列的学习.此外,通过分析内河上下游航道交通流间的关联性,提取长江中下游6个航段的船舶AIS数据,构造多航段船舶交通流序列数据集,并将其输入本文模型中进行训练及测试.结果表明:相比序列预测模型中的 SAE、LSTM、GRU、CNN+GRU 和 GRU+Atten-tion,本文模型在针对不同交通流参数的预测中均具有更高的预测精度,交通流量、交通流密度和交通流速度的预测精度分别达到95.42％、97.33％、94.99％,可更好地满足工程应用需求.

关键词：船舶交通流预测、多航段预测、门控循环神经网络、注意力机制、卷积神经网络

所属期刊栏目：49

分类号：U692(水路运输技术管理)

资助基金：中央高校基本科研业务费专项资金资助项目3132022635

在线出版日期：2023-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：75-84