基于 CNN 与多尺度特征融合的城市交通流预测模型

来源：计算机技术与发展杂志2022年第10期北京时间：

作者：殷齐;';丁飞;';朱跃;';李静宜;沙宇晨;'

单位：1. 南京邮电大学 物联网学院,江苏 南京 210003;2. 南京邮电大学 江苏省宽带无线通信和物联网重点实验室,江苏 南京 210003

摘要：随着出租车和网约车的日益普及,GPS 数据生成大量的时空视频流数据,对城市交通流预测提供坚实的数据价值。 传统城市流量预测方法存在精度低,目标区域受周围区域影响等问题。 卷积神经网络在交通流预测上表现出色, 但仍存在目标区域受全局信息的干扰、低层网络的特征表 征能力弱及高层下采样损失过多特征等问题。 该文提出一种基于卷积神经网络( Convolutional Neural Network,CNN) 与多尺度融合机制的交通流预测模型 MS-RSCNet( Multi-scale ResidualSelf Checking Network) 。 该模型采用了一种残差自校验网络 (Residual Self Checking Network, RSCNet) 结构,并引入融合多尺度特征的双向门控循环单元设计方案。 通过公开数据集对交通流预测性能进行测试验证,相较于 ST-ResNet、ARIMA、STAR 等模型,MS-RSCNet 模型具有更优的交通流预测性能。

关键词：交通流;卷积神经网络;残差自校验网络;多尺度特征;门控循环单元