基于时空特征的短时出租车流量预测

摘要：

针对以往客流量预测只关注数据的时序特征而忽略空间维度特征及天气等外在因素的缺点,本文提出一种结合注意力机制的卷积门控时空预测模型(KSTCGN)来预测出租车客流量.该模型运用卷积神经网络(CNN)对网格内每个时段的流量进行空间维度的特征提取,使用门控循环单元(GRU)对客流量进行时间特征的提取.其中,卷积层引入CBAM注意力机制对重要的空间点进行更多关注.GRU层结合注意力机制关注对流量有重要影响的时段,并使用K-means聚类算法对不同时段进行聚类.通过实验分析,并与部分经典预测算法进行对比,证明了提出的组合模型能够有效提高预测精度.

关键词：出租车流量预测、时空特征、卷积神经网络、门控循环单元、注意力机制

分类号：TP183;U491.1(自动化基础理论)

资助基金：北京市教委科技面上项目KM201810005023

在线出版日期：2023-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：32-38