计算机应用

作者：郭书君, 任卫军, 陈倩倩, 游广飞

单位：长安大学 信息工程学院，西安 710064

关键词：高速公路,交通状态分类,交通状态预测,模糊聚类,神经网络,在线学习

基金：陕西省重点研发计划项目(2021GY-033);西安公路研究院技术研究项目(220224230915)

针对现有的交通状态预测模型不能有效应对高速公路交通状态的模糊性以及模型训练后不能有效使用实时数据流的问题，提出基于聚类的多变量时间序列交通状态实时预测模型。首先，在分析交通流参数后，构建基于改进的模糊C均值（FCM）算法与熵权法的分类模型对交通状态进行模式定义并设定分类标准，并采用状态指数（SI）指标解决分类边界模糊问题；其次，在分类模型的基础上构建多变量时间序列预测模型，该模型结合卷积网络和注意力机制，能有效地捕捉时间序列数据的长短期依赖关系；然后，利用反向传播更新机制进行在线学习，从而实现预测过程的实时化；最后，将模型在加州交通管理中心性能监控系统（PeMS）数据集上进行测试，把数据集按时间顺序分为训练集、验证集和测试集，并模拟实时数据流进行在线学习和预测。实验结果表明，预测步长为6时，与经典的LightTS（Light Sampling-oriented MLP Structures）模型相比，所提模型的均方误差（MSE）和平均绝对误差（MAE）分别降低了22.81%和14.64%。可见，所提模型能够有效区分交通状态等级，并实现交通状态的实时预测。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期