文档名：基于双通道注意力机制的AEBIGRU交通流预测模型
摘要：交通流预测是智能交通系统的关键.针对目前交通流数据复杂的时空关联性以及自身的不确定性,为准确预测高速公路交通流并缓解交通拥堵问题,提出以自编码器网络(AE)和双向门控循环单元(BIGRU)相结合的深度学习组合预测模型(AE-BIGRU),并在此基础上引入双通道注意力机制进行模型训练.将预处理后的数据采用滑动窗口的方式作为参数输入模型,通过AE提取交通流的空间特征,得到输入信息特征的最优抽象表示;利用BIGRU从前向和后向传播中获取信息,充分提取交通流的时间相关特征,更全面地捕捉时间演变规律;最后结合双通道注意力机制,增强预测模型的特征提取能力,最大限度地保留特征信息,提升模型的预测精度,从而得到最终短时流量的预测目标值.为验证模型的适用性,采用多组短时交通流数据进行仿真实验,与其他基准模型对比发现:该交通流预测模型能够有效捕获交通流的动态时空特征,加强关键信息的提取,所预测的流量更加接近真实值,具有良好的泛化能力.其中测试集的均方根误差值下降了约0.061～0.604,平均绝对误差值下降了约0.025～0.512,相关系数值R2提高了约0.007～0.062.研究结果表明,随着预测步长的增加,该实验模型在交通流数据的时间特性上仍能表现出稳定的预测性能,所建的组合预测模型在预测精度和鲁棒性方面表现出更高水平.
Abstract：TrafficFlowPredictioniskeytointelligenttransportationsystems.Toaccuratelyestimatehighwaytrafficflowandresolvetrafficcongestionissuesduetothecomplicatedspatio-temporalcorrelationofcurrenttrafficflowdataanditsownuncertainties.Therefore,adualattentionalmechanismwasdevelopedformodeltrainingbasedonadeeplearningcombinatorialpredictionmodel(AE-BIGRU)thatcombinesanautoencoder(AE)andabi-directionalgatedrecurrentunit(BIGRU).Forobtainingthebestpossibleabstractrepresentationoftheinputinformationfeatures,AEextractedthespatialfeaturesofthetrafficflowfromthepreprocesseddatausingaslidingwindow.Toextractthetime-relatedaspectsofthetrafficflowandcapturethetimeevolutionpattern,BIGRUwasusedtoacquireinformationfrombothforwardandbackwardpropagation.Thedual-channelattentionmechanismwasintegratedwithittoimprovethepredictionmodel'sabilitytoextractfeatures,maximizefeatureinformationretention,andincreasepredictionaccuracy.Thisyieldedaforecastedgoalvaluefortheshort-termflowrate'sfinalvalue.Usingmultiplesetsofshort-termtrafficflowdata,simulationexperimentswerecarriedouttotestthemodel'sapplicability,andcomparisonswithotherbenchmarkmodelswerediscovered.Theconclusionsaredrawnasfollows.Thepredictedflowismoreaccuratethantheactualnumberandhasstronggeneralizabilitythankstothemodel'sabilitytocapturethedynamicspatiotemporalaspectsoftrafficflow.Themeanabsoluteerrorvaluesofthetestsetreducedbyapproximately0.025to0.512.Therootmeansquareerrorvaluesdecreasedbyapproximately0.061to0.604.andthecorrelationcoefficientvalues,R2,increasedbyapproximately0.007to0.062.Theexperimentalmodelcancontinuetoperformpredictablyasthepredictionstepsizeisincreased.Thecombinedpredictionmodelcreatedcanshowahigherlevelofpredictionaccuracyandrobustness.
作者：黄艳国 何烜 杨仁峥Author：HUANGYanguo HEXuan YANGRenzheng
作者单位：江西理工大学电气工程与自动化学院,江西赣州341000
刊名：铁道科学与工程学报 ISTICPKU
Journal：JournalofRailwayScienceandEngineering
年，卷(期)：2024, 21(5)
分类号：U491.1
关键词：智能交通 交通流预测 AE-BIGRU模型 深度学习 双通道注意力机制
Keywords：intelligenttransportation trafficflowprediction AE-BIGRUmodel deeplearning dual-channelattentionmechanism
机标分类号：TP391U491.112F570.7
在线出版日期：2024年7月8日
基金项目：国家自然科学基金基于双通道注意力机制的AE-BIGRU交通流预测模型[
期刊论文] 铁道科学与工程学报--2024, 21(5)黄艳国 何烜 杨仁峥交通流预测是智能交通系统的关键.针对目前交通流数据复杂的时空关联性以及自身的不确定性,为准确预测高速公路交通流并缓解交通拥堵问题,提出以自编码器网络(AE)和双向门控循环单元(BIGRU)相结合的深度学习组合预测模型...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于双通道注意力机制的AE-BIGRU交通流预测模型 AE-BIGRU traffic flow prediction model based on dual attention network
基于双通道注意力机制的AE-BIGRU交通流预测模型.pdf
- 文件大小:
- 6.14 MB
- 下载次数:
- 60
-
高速下载
|
