辅导文章
模型描述
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网络(ConvLSTM)进行交通流预测时,未将时空特征分开提取而造成的提取不充分、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间特征,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,在消融实验中,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。
预测效果