-
题名基于深度学习的城市区域短时交通拥堵预测算法
被引量：10
- 1
-
-
作者
李帅
杨柳
赵欣卉
-
机构
西南交通大学唐山研究生院
综合交通大数据应用技术国家工程实验室
西南交通大学信息科学与技术学院
-
出处
《科学技术与工程》
北大核心
2023年第25期10866-10878,共13页
-
基金
四川省科技创新基地(平台)和人才计划(2022JDR0356)
四川省科技计划(软科学项目)(2021JDR0101)
宜宾市双城市校协议专项科研经费科技项目(SWJTU2021020005)。
-
文摘
城市的交通拥堵已经成为各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,为了准确地对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型(CS-Transformer)。该模型通过使用卷积神经网络(convolutional neural networks,CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(similarity location encoding mechanism,SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车全球定位系统(global positioning system,GPS)数据对模型进行验证,结果表明该模型预测结果优于CNN、Transformer和CNN-Transformer等模型,以均方误差(mean square error,MSE)为评价指标,将测试集中交通路网的平均预测精度分别提高了19.6%、26.3%和10%。
-
关键词
交通拥堵预测
CNN
相似性位置编码机制(spem)
TRANSFORMER
-
Keywords
traffic congestion prediction
CNN
similarity position encoding mechanism(spem)
Transformer
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
