基于深度学习的城市区域短时交通拥堵预测算法

摘要：

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(con-volutional 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

所属期刊栏目：23

分类号：TP301.6(计算技术、计算机技术)

资助基金：四川省科技创新基地平台和人才计划;四川省科技计划软科学项目;宜宾市双城市校协议专项科研经费科技项目

在线出版日期：2023-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：10866-10878