文档名：基于自注意力机制TCNBiGRU的交通流预测
摘要：为更精准地预测道路交通流,本文提出了基于自注意力机制TCN-BiGRU的交通流预测模型.该预测模型首先利用时间卷积网络(TCN)的卷积特性跨时间步的提取交通流数据中的时间相关性;其次,利用BiGRU双向捕捉交通流的时间相关特性,经过更新门和复位门后更全面的提取交通流的时间特性;考虑到双向门控循环单元在双向计算过程中存在有并行性较低和部分特征无法捕捉的情况,引入自注意力机制能够让模型能够注意到全局中不同输入之间的相关性,让模型能够不受序列长度限制的特征捕捉的难题,最大限度的保留特征进而提高模型的鲁棒性,最终得到交通流的预测值.为验证模型的适用性,本文选取真实的交通数据进行多组预测对比实验,在单一路段将预测结果与基准模型和多路段的经典模型以及消融进行对比,结果表明基于自注意力机制TCN-BIGRU对于多特征的单一路段或多路段的预测结果表现为:单一路段的MAE,MAPE/%,R2平均值分别为15.91,10.89,0.976;多路段的MAE,MAPE/%,R2分别为19.62,13.53,0.982,具有较好的预测效果,所建立的组合预测模型在预测精度上表现出更好的水平,为交通流的预测提供了良好的参考价值.
Abstract：Inordertoenhancetheaccuracyofroadtrafficflowprediction,thispaperproposesatrafficflowpredictionmodelbasedontheself-attentionmechanismTCN-BiGRU.Firstly,thepredictivemodelutilizestheconvolutionalpropertyoftimeconvolutionalnetwork(TCN)toextracttemporalcorrelationswithintrafficflowdataacrossdifferenttimesteps.Secondly,bidirectionalBiGRUisemployedtocomprehensivelycapturetime-relatedcharacteristicsoftrafficflowbyupdatingandresettinggates.Recognizingthatbidirectionalgatedrecurrentunithaslimitedparallelismandmaynotcapturecertainfeaturesduringbidirectionalcalculation,theintroductionofself-attentionmechanismallowsthemodeltofocusonglobalcorrelationbetweendifferentinputs,overcominglimitationsposedbysequencelengthinfeaturecaptureandmaximizingfeatureretentionforimprovedrobustness.Finally,predictedvaluesfortrafficflowareobtained.Tovalidatetheapplicabilityofthemodel,realtrafficdataisselectedformultiplepredictionandcomparisonexperimentsagainstbenchmarkmodelsandablationexperimentalmodelsacrossvariousroadsegments.Theresultsdemonstratethatsingleormultiplesectionpredictionsusingmultiplefeaturesbasedonself-attentionmechanismTCN-BiGRUyieldmeanMAEvaluesof15.91and19.62respectively;MAPE/%valuesof10.89and13.53respectively;aswellasR2valuesof0.976and0.982respectively-indicatingstrongpredictiveperformance.
作者：郝椿淋 张剑Author：HaoChunlin ZhangJian
作者单位：上海工程技术大学航空运输学院上海201620
刊名：电子测量技术 ISTICPKU
Journal：ElectronicMeasurementTechnology
年，卷(期)：2024, 47(8)
分类号：U491.14
关键词：交通流 时间卷积网络 双向GRU 自注意机制
Keywords：trafficflow temporalconvolutionalnetwork bi-directionalgatedrecurrentunit self-attentivemechanism
机标分类号：TP391U491.112TP183
在线出版日期：2024年7月16日
基金项目：国家自然科学基金基于自注意力机制TCN-BiGRU的交通流预测[
期刊论文] 电子测量技术--2024, 47(8)郝椿淋 张剑为更精准地预测道路交通流,本文提出了基于自注意力机制TCN-BiGRU的交通流预测模型.该预测模型首先利用时间卷积网络(TCN)的卷积特性跨时间步的提取交通流数据中的时间相关性;其次,利用BiGRU双向捕捉交通流的时间相关特...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
基于自注意力机制TCN-BiGRU的交通流预测 Traffic flow prediction based on self-attention mechanism TCN-BiGRU
基于自注意力机制TCN-BiGRU的交通流预测.pdf
- 文件大小:
- 12.17 MB
- 下载次数:
- 60
-
高速下载
|
|
