基于时空注意力卷积神经网络的交通流量预测

摘要：

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型(spatio-temporal attention convolutional neural network,STACNN).首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了 60 min的交通流量预测实验.实验结果表明:与基线模型中具有良好性能的时空图卷积网络(spatio-temporal graph convolutional network,STGCN)模型相比,提出的STACNN模型预测结果的平均绝对误差(mean absolute error,MAE)在两个数据集上分别提高 2.79％和1.18％,平均绝对百分比误差(mean absolute percentage error,MAPE)分别提高 1.00％和 0.46％,均方根误差(root mean square error,RMSE)分别提高 3.80％和 1.25％;此外,引入的膨胀因果卷积神经网络与空间注意力机制对提取时空动态相关性特征均具有积极的贡献.

关键词：交通流量预测、深度学习、图卷积、注意力机制

所属期刊栏目：58

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;重庆市自然科学基金

在线出版日期：2023-04-24（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：340-347