基于深度时空残差网络的路网短时交通流预测

摘要：

针对城市路网短时交通流预测受到许多复杂因素的影响,提出一种基于深度时空残差网络的路网短时交通流预测模型DST-ResNet(deep spatio-temporal residual network).针对时空数据的两个独特属性邻近性和周期性分别设计相应的残差网络分支,通过为两个分支中相同的道路分配不同的权重动态聚合两个分支网络的输出,调整时空属性对不同路段交通流预测的影响程度,将两个残差网络的聚合结果与外部因素进行融合.通过选择RMSE和R2为模型的评价指标进行实验验证,该DST-ResNet模型相较主流的LSTM模型具有更高的有效性和可行性.

关键词：交通流预测;时空数据处理;深度学习;残差网络;网络融合

所属期刊栏目：43

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;江苏省333工程科研基金项目;南通市智能交通技术重点实验室基金项目

在线出版日期：2022-03-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：316-322