基于ST-GCAN模型的高速公路车辆速度预测方法

摘要：

车辆速度是影响高速公路通行效率和安全的重要指标,因此实现对高速公路车辆速度的精准预测有助于减少交通事故进而提升交通智能管控服务水平.基于现有深度学习模型,研究了融合图卷积网络(convo-lutional neural network,GCN)、长短期记忆网络(long short-term memory network,LSTM)和注意力机制的车辆速度预测模型(ST-GCAN):利用图卷积网络提取复杂高速路网的空间关联特征;使用长短期记忆网络提取车辆速度的历史数据间的时间关联特征;结合注意力机制聚集并分析车辆速度的历史数据和预测值之间的相关性.此外为保障预测模型网络信息完整并解决训练时协变量偏移问题,模型使用密集连接和层归一化技术以提升模型性能表现.利用青海省西宁市的高速公路车辆速度数据集开展实例分析,研究区域包括8个收费站共49条路段,时间跨度为2020年5月1日—8月31日,以小时为步长,共计94777条数据.实验得到未来1小时高速公路车辆速度的预测效果:平均绝对误差(mean absolute error,MAE)为12.762,均方根误差(root mean square error,RMSE)为21.535,决定系数(R2)为0.651.与传统的时间序列模型和自回归移动平均模型相比,ST-GCAN模型的MAE误差分别降低了约11.1％和 19.7％,而对比现有多种深度学习预测模型,ST-GCAN模型的MAE误差降低了约8.0％～10％.ST-GCAN模型在高速公路路网可以实现良好的车辆速度预测效果,满足交通智能管控中的实际预测需求.

关键词：交通工程、高速公路车辆速度、预测模型、神经网络、注意力机制

所属期刊栏目：41

分类号：U491.1+4(交通工程与公路运输技术管理)

资助基金：上海市青年科技英才扬帆计划项目;青海省重点研发计划项目

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：95-102