基于 ASTG-CRNN 模型的多步长交通流预测

来源：计算机技术与发展杂志2023年第09期北京时间：

作者：贵向泉;熊家昌;李立;郭莎莎

单位：1. 兰州理工大学 计算机与通信学院,甘肃 兰州 730050;2. 中国石油天然气股份有限公司长庆油田分公司 数字化与信息中心,陕西 西安 710000

摘要：针对交通流预测模型中路网表征结构难以进行刻画和交通流数据中动态时空相关性难以进行建模以及其中时间特征捕获不充分的问题,提出一种基于注意力机制和时空图卷积循环神经网络的交通流预测模型( ASTG-CRNN) 。 首先,通过定义节点相对邻近度来确定路网表征结构的关系权重;其次,通过在时空维度上引入注意力机制对动态时空相关性进行建模,再采用图卷积捕获交通流数据中的空间特征;最后,采用卷积神经网络和双向门控循环神经单元的组合模块共同捕捉时间特征,从而能更好地表达交通流的时空特性。 在两个公开交通流数据集 PeMS04 和 PeMS08 上对模型预测效果进行验证,其结果表明,ASTG-CRNN 模型的预测结果均优于其它模型,与时空同步图卷积网络模型( STSGCN) 相比,在未来 1h 内预测结果的 MAE、RMSE 和 MAPE 在数据集 PeMS08 上分别降低了 2. 71、2. 69 和 0. 87% 。

关键词：交通流预测;注意力机制;相对邻近度;时空相关性;图卷积网络;循环神经网络