基于线性低秩卷积与道路网络的城市流量推断

细粒度城市流量推断(FUFI)旨在从粗粒度交通流量中推断出真实的细粒度交通流量,以代替在现实世界中大量传感器设备的作用。现有的FUFI方法仅考虑到时间、天气等外部因素特征,忽略了道路网络特征对城市交通流的重要影响。此外,现有方法使用的传统残差网络结构对交通流的低级特征捕获能力不足,低级特征容易在网络深层消亡。为解决以上问题,提出一种使用线性低秩卷积与全局注意力Transformer的细粒度城市流量推断模型LLCGAT,以更好地捕获交通流的低级特征并融合道路网络特征的学习。该模型在考虑外部因素的基础上,首先将城市的道路网络作为重要的特征与交通流特征融合,并使用广泛激活的线性低秩卷积对综合特征进行特征提取,然后将综合特征与道路网络特征分别接入注意力Transformer的编码器和解码器中以进一步捕获交通流的全局空间分布。在TaxiB J-P1和Xi An两个真实世界数据集上的实验结果表明,LLCGAT模型将平均绝对百分比误差分别降低了3.3%和10.7%,均方根误差分别降低了2.3%和2.4%,平均绝对误差分别降低了3.8%和6.3%。