-
题名基于天气特征的高速公路交通流预测方法研究
- 1
-
-
作者
袁辉
谢庆
计明军
吴炜昌
曾斌
姬生忠
-
机构
中铁南方投资集团有限公司
大连海事大学交通运输工程学院
-
出处
《现代电子技术》
北大核心
2025年第8期164-172,共9页
-
基金
国家自然科学基金项目(71971035)。
-
文摘
随着高速公路网络的规模扩展和智能交通系统的不断完善,交通流预测在提高道路资源利用效率和缓解交通拥堵方面起着至关重要的作用。现有的预测方法往往忽视了天气特征动态变化对交通流的影响,故文中旨在运用集成深度学习模型来探索天气特征对高速公路交通流的影响。利用随机森林算法从历史交通流量和天气数据中提取出相关性较高的天气特征,采用粒子群优化算法对长短期记忆神经网络模型的超参数进行优化,构建一个融合天气特征数据的深度学习预测框架,将经过筛选的天气特征序列输入至预测框架模型中进行训练和预测。通过真实数据集上的实验验证了所提方法的有效性和泛化能力。实验结果表明,所提的集成深度学习方法相比现有的深度学习方法具有更好的拟合度、预测精度和稳定性,能够更准确地捕捉天气特征动态变化对交通流的影响。
-
关键词
智能交通系统
高速公路交通流预测
天气特征
集成深度学习
随机森林算法
粒子群优化算法
长短期记忆神经网络
超参数优化
-
Keywords
intelligent transportation system
highway traffic flow prediction
weather feature
integrated deep learning
random forest algorithm
particle swarm optimization algorithm
LSTM neural network
hyper-parameter optimization
-
分类号
TN929.5-34
[电子电信—通信与信息系统]
U491.14
[交通运输工程—交通运输规划与管理]
-
-
题名基于特征融合图注意网络的高速公路交通流预测
被引量：1
- 2
-
-
作者
高醇
王梦灵
-
机构
华东理工大学信息科学与工程学院
-
出处
《计算机应用》
CSCD
北大核心
2023年第10期3114-3120,共7页
-
基金
上海市科学技术委员会课题(19DZ1209003)。
-
文摘
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
-
Keywords
highway traffic flow prediction
Graph Attention neTwork(GAT)
attention mechanism
feature crossover network
spatio-temporal topology
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
