计算机应用

作者：杨鑫, 陈雪妮, 吴春江, 周世杰

单位：1.电子科技大学 信息与软件工程学院，成都 610054；2.成都信息工程大学 软件工程学院，成都 610225

关键词：短时交通流预测,交通流,时空特征提取,残差结构,Transformer,组合模型

基金：国家自然科学基金资助项目(62272089);四川省科技厅面上项目(2022YFG0207)

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响，蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆（ConvLSTM）网络进行交通流预测时，未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题，对ConvLSTM模型作出改进。首先，提取每个采样时刻的交通流数据的短期时间特征和空间特征，并在特定的维度下将交通流的短期时空特征融合；其次，进行残差映射；最后，将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征，并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证，以平均绝对误差（MAE）作为模型评价指标时，所提模型相较于Conv-Transformer模型，预测精度提高了18%，验证了所提模型的有效性。

来源：2024年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第9期