基于注意力的自适应图卷积网络的交通流预测

随着汽车保有量的增加,环境污染、资源浪费和交通拥堵问题日益严峻。如何有效缓解城市交通拥堵已成为多数城市面临的主要问题。交通流预测是智慧交通发展的基石,是实现交通智能化服务的重要任务之一,在智慧城市建设中发挥着重要作用。精准的交通流预测(TFF)对于实现交通控制、发布有效的交通组织策略、缓解交通拥堵和改善城市环境至关重要。

基于Spark分布式EEMDN-SABiGRU模型的乘客热点预测

出租车作为一种城市常见的交通方式,在某一时刻面临着上客率低的问题,而在另一时刻又面临着需求过剩的问题。为了提高驾驶员巡航效率,文章基于Spark并行分布式平台,提出一种集合经验模态分解的空间注意力机制双向门控循环单元模型(EEMDN-SABiGRU),对乘客热点进行精准预测,与LSTM、GRU、EMD-LSTM、EMD-GRU、EEMD-LSTM、EEMD-GRU、EMDN-GRU、CNN和BP等模型相比,EEMDN-SABiGRU模型的MAPE、MAE、RMSE和ME值至少降低了58.33%、44.91%、43.19%和39.33%,在乘客热点预测上具有良好的效果。