10.3969/j.issn.1003-5060.2022.02.006
基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型
文章针对短时交通流量时空依赖性、非线性的特点,为提高交通流量的预测精度,将时间建模和空间建模相结合,提出一种整合改进的变分模态分解(variational mode decomposition,VMD)结合图注意力网络(graph attention networks,GAT)与注意力模型搭建的组合预测模型.在时间维度上,利用改进粒子群算法(improved particle swarm optimization,IPSO)优化的变分模态算法分解交通流量,保证了VMD的充分分解,并得到相对平稳的交通流量序列,提高了组合模型的预测精度;在空间维度上,构建有效分解模态与原交通流量序列的GAT,提取不同时间序列中各交通节点之间的空间信息;引入注意力机制提高主要时空信息权重,降低次要时空信息权重,进一步提升了组合模型的预测精度.实验结果表明,该组合模型比IPSO-VMD-GAT-Attention模型以及VMD-GAT-Attention模型的均方根误差分别下降了31% 和21%,而且对于VMD-GAT模型和GAT模型,均方根误差分别从14.1231和9.9136下降到2.2928,说明该模型达到较好的预测效果.
交通流量预测;改进粒子群算法(IPSO);变分模态分解(VMD);图注意力网络(GAT);注意力机制
45
U491.1(交通工程与公路运输技术管理)
国家自然科学基金;国家自然科学基金;国家自然科学基金
2022-03-14(万方平台首次上网日期,不代表论文的发表时间)
共10页
176-185