融合交通事件信息的短时交通流参数预测

为提高交通流参数预测精度,提出了一种融合交通事件信息的短时交通流参数预测模型(Incident Fusion Dynamic Spatial Temporal Network,IF-DSTN)。首先,IF-DSTN模型引入加州算法进行路网交通流事件状态检测计算,考虑道路事件发生在时空上对于整个路网交通流的影响,提高模型在事件发生等异常状态下的响应能力。其次,模型基于Transformer架构以及图卷积网络架构分别构建空间注意力模块(Spatial Transformer,ST)和时间注意力模块(Temporal Transformer,TT),模块组合成时空注意力模块共同提取交通流数据中的时空相关性。然后,模型融合事件检测的数据以及时空注意力模块数据,经过卷积操作得出短时交通流参数的预测结果。最后,设计实验讨论了IF-DSTN模型在路网交通流预测精度上对比其他优秀模型的优势。结果表明:对于一段布设有200余个检测点的高速公路,本文模型预测结果平均绝对百分比误差为4.418%,均方根差为16.084辆/h。相较于其他未考虑交通事件检测信息的模型有较大地提升,并在未经计划的交通事件发生时具有明显优势,强调了事件影响下的路网时空关系变化,模型能够在交通事件影响下实现更准确地预测。