计算机应用

作者：刘世泽, 秦艳君, 王晨星, 苏琳, 柯其学, 罗海勇, 孙艺, 王宝会

单位：1. 北京航空航天大学 软件学院, 北京 100191;2. 北京邮电大学 计算机学院, 北京 100876;3. 首都师范大学 信息工程学院, 北京 100048;4. 中国科学院 计算技术研究所, 北京 100190

关键词：时空数据挖掘,编解码器,长短期记忆,挤压-激励模块,空间注意力

基金：国家自然基金资助项目（61872046）；北京邮电大学提升科技创新能力行动计划项目（2019XD-A06）。

针对多步交通流量预测任务中时间空间特征提取效果不佳和预测未来时间交通流量精度低的问题，提出一种基于长短时记忆（LSTM）网络、卷积残差网络和注意力机制的融合模型。首先，利用一种基于编解码器的架构，通过在编解码器中加入LSTM网络来挖掘不同尺度的时间域特征；其次，构建基于注意力机制挤压激励（SE）模块的卷积残差网络嵌入到LSTM网络结构中，从而挖掘交通流量数据中的空间域特征；最后，将编码器中获得的隐状态下的信息输入到解码器中，实现高精度多步交通流量的预测。基于真实交通数据进行实验测试和分析，实验结果表明，相较于原始的基于图卷积的模型，所提模型在北京和纽约两个交通流量公开数据集上的均方根误差（RMSE）分别获得了1.622和0.08的下降。所提模型能够高效且精确地对交通流量作出预测。

来源：2021年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第6期