基于特征融合图注意网络的高速公路交通流预测

来源：计算机应用杂志2023年第10期北京时间：

作者：高醇, 王梦灵

单位：华东理工大学 信息科学与工程学院，上海 200237

摘要：基于交通网络的实际时空拓扑，提出一种特征融合图注意网络（FF-GAT）模型融合节点获取的多种交通状态信息，预测高速公路交通流。首先，分析节点的车速、交通流和占有率之间的关联特征，并基于多变量时间注意力机制，将车速、交通流和占有率之间的关系融入注意力机制，从而捕捉交通流的不同时间之间的动态时间相关性；其次，将节点划分为不同的邻域集，并通过特征融合图注意网络（GAT）捕获交通流的不同邻域之间的空间相关性；同时，通过特征交叉网络充分挖掘多个异构数据之间的耦合相关性，为预测目标序列提供有效的信息补充。在两个公开交通流数据集上的实验结果表明：在PeMSD8数据集上，与ASTGCN（Attention based Spatial-Temporal Graph Convolutional Network）模型相比，FF-GAT模型的均方根误差（RMSE）降低了3.4%；与GCN-GAN（Graph Convolutional Network and Generative Adversarial Network）模型相比，FF-GAT模型的RMSE降低了3.1%。可见，FF-GAT模型能够通过特征融合有效提高预测精度。

关键词：高速公路交通流预测,图注意网络,注意力机制,特征交叉网络,时空拓扑

基金资助：上海市科学技术委员会课题(19DZ1209003)