基于STAtt-DGCN模型的高速公路短时交通流预测

短时交通流精准预测是高速公路交通运行状态精细化监管的重要手段,有助于提前监测高速公路潜在车流拥挤事件并及时管控。国内外学者已经从数理统计、数据驱动的维度提出了多种短时交通流的预测方法,虽然成果颇丰,但对交通流数据在时间关联性、空间关联性方面的共同建模能力不足,导致预测精度仍然有提升的空间。基于此,笔者提出了一种时空注意力扩散图卷积模型(STAtt-DGCN),来进行高速公路交通流的短时预测。该模型依托经典的时间注意力机制、空间注意力机制和图卷积网络,设计了时空模块、时空卷积模块以及扩散图卷积网络模块,来分别建立交通流数据在时间、空间维度的关联性,从而使预测精度得到有效提升。选取了江西省某高速公路3个月的ETC数据集来验证所提模型的性能,并选用ARIMA、LSTM、STGCN等常见基线模型来进行模型的对比评估。实验结果表明:STAtt-DGCN模型几乎在每个月的数据集上都展现出较好的预测能力。以2022年4月为例,与最具挑战的STGCN基线模型相比,所提模型在平均绝对误差、均方绝对误差、平均绝对误差上分别下降了17.9%、40.0%、11.0%。这意味着STAtt-DGCN模型的预测精度相较于基准方法有较大提升,可应用于高速公路交通流精准预测。