基于时空感知Transformer的交通流预测模型

交通流预测是智能交通系统的一个热点研究领域,其根本挑战是对交通数据中复杂的时空相关性进行有效建模。针对大部分现有时空Transformer模型在构建时空相关性矩阵时忽略了时间趋势性和空间异质性的重要影响的问题,提出一种基于时空感知Transformer的交通流预测模型。首先,采用改进的时空感知自注意力机制挖掘交通流数据中潜在的时间趋势性和空间异质性特征,建立精确的时空相关性矩阵以获取全局时空特征;然后,使用多尺度扩散卷积模拟交通流在路网中的多阶扩散过程,捕获节点多邻域范围的局部空间特征;最后,采用多元特征融合模块对捕获的时空特征进行自适应融合并输出预测结果。在PeMS04和PeMS08两个真实交通数据集上进行实验,结果表明,与最近提出的RPConvformer、ASTGNN、PDFormer等基于Transformer的基线模型相比,新模型的平均绝对误差分别降低了8.0%、6.5%和2.0%。

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对交通栅格数据进行相关性分析,确定相关性高的周期序列和邻近序列;同时,建立周期序列模型和邻近序列模型,并引入长短时记忆(LSTM)网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证,结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型,以均方根误差(RMSE)为评价指标时,所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。