基于动态时空神经网络的城市交通流量预测方法
交通流量预测对城市道路规划、交通安全问题和建设智慧城市等具有重要意义.然而,现有大部分交通预测模型无法很好地捕捉交通数据的动态时空相关性.针对该问题,提出了一种基于动态时空神经网络的城市交通流量预测方法.首先,通过对交通数据的最近周期依赖、日周期依赖和周周期依赖进行建模,在每个分量上使用三维卷积神经网络提取城市交通高维特征;然后,使用改进的残差结构捕捉远距离区域对与预测区域的相关度,融合空间注意力和时间注意力机制捕捉不同区域不同时间段上的交通流量之间的动态相关性;最后,使用基于参数矩阵的方法对3个分量的输出进行加权融合,得到预测结果.在TaxiBJ和BikeNYC两个公开数据集上开展实验,结果表明所提模型的预测性能优于主流交通预测模型.
时空相关性、交通预测、交通流动性、注意力机制、融合机制
50
TP183(自动化基础理论)
2023-09-06(万方平台首次上网日期,不代表论文的发表时间)
共7页
592-598