10.3969/j.issn.1002-0268.2023.07.025
基于多维流量特征的短时交通流量预测模型
大多数基于神经网络的短时交通流量预测模型存在以下2个方面的问题:一是提取时间特征和空间特征导致模型结构复杂、运算速度慢,二是模型中不断增加的交通态势特征难以采集.针对上述问题,提出了一种以历史交通流量构建多维流量特征的滑动窗口图注意力网络(SW-GAT)模型.首先,提出了引入历史流量及多组流量的滑动窗口数据,通过模型训练以获取潜在时间特征的假设.其次,引入图注意力机制,获取了路网节点之间的空间特征.最后,引入节点邻接距离矩阵构建了双层SW-GAT模型,以此提高输出的准确性和鲁棒性.将长短时记忆网络(LSTM)、图卷积网络(GCN)、图注意力网络(GAT)及多维流量特征GCN模型作为对照组进行了模型评价,间隔时间取值为15 min.试验结果表明:最优的滑动窗口K取值为3和4;相比于对照组的4种模型,双层SW-GAN模型的预测精度分别平均提高了约2.5%,5.82%,3.36%,8.2%;平均绝对误差MAE分别下降了约19.83,17.82,15.23,16.19;均方根误差RMSE分别下降约21.27,20.33,19.25,20.62;在交通流量变化频繁的时间段(7:30—18:30),SW-GAT模型曲线的拟合效果优于对照组的4个模型,对突变的交通流量有着更好的预测精度.SW-GAT模型能在保证预测准确率的情况下,降低对数据特征的要求和模型的复杂度,为解决深度学习特征数据搜集困难的问题提供了一种新思路.
智能交通、短时交通流量预测、GAT模型、图注意力网络、神经网络、滑动窗口
40
U491.1+4(交通工程与公路运输技术管理)
云南省外专引智项目YNS2020002
2023-09-14(万方平台首次上网日期,不代表论文的发表时间)
共9页
191-199