文档名：基于时空多头图注意力网络的交通流预测
摘要：针对当前路网交通流量预测方法中存在的挖掘复杂的动态时空特性和长距离的空间依赖性能力不足等问题,基于多头自注意力网络构建一种新型的交通流预测模型.考虑到交通流在不同周期尺度下呈现出的高度相似性,以及静态时空特征,引入日和周这2种周期尺度下的数据张量作为模型输入,来表达交通流数据的时间相似性,并通过输入数据的时空位置编码获取其静态时空特征.考虑到交通流的动态时空特性和长距离的空间依赖性,主体模型基于多头自注意力机制分别设计时间多头注意力模块和空间多头注意力模块.时间多头注意力模块利用一个图掩码矩阵获得局部注意力,并将其融合到一个多头自注意力中,以提取交通流的动态时间特征.空间多头注意力模块利用两个图掩码矩阵获得局部注意力和全局注意力,并将其融合到一个多头自注意力中,以提取路网节点的动态空间特征和长距离的空间依赖性.最后,设计一个门控融合模块自适应地融合交通流数据的时空相关性特征.在三个真实交通流基准数据集PEMS04,PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在3个数据集上的3个预测精度指标与其他精度最高模型相比,平均提高了4.437%,2.930%,4.275%.
Abstract：Toovercomethedrawbacksofcurrenttrafficnetworkflowpredictionmethods,suchasthelowcapabilityofcapturinghighlydynamicspatio-temporalcorrelationandlong-termspatialdependence,thispaperconstructsanoveltraf-ficflowpredictionmodelbasedonmulti-headself-attentionnetwork.Themodeltakesthedatatensoratdailyperiodandweeklyperiodscalesasmodelinputstoexpressthetemporalsimilarityoftrafficflowdata,andobtainsitsstaticspatio-tem-poralcharacteristicsbyencodingthespatio-temporalpositionembeddingoftheinputdata.Themainmodeldesignstempo-ralmulti-headattentionmoduleandspatialmulti-headattentionmodulerespectivelybasedonmulti-headself-attentionmechanismforconsideringthedynamicspatio-temporalcharacteristicsoftrafficflowandthelong-rangespatialdepen-dences.Thetemporalmulti-headattentionmoduleobtainsthelocalattentionusingagraphmaskingmatrixandfusesitin-toamulti-headself-attentiontoextractthedynamictemporalcharacteristicsoftrafficflow.Thespatialmulti-headatten-tionmoduleobtainsthelocalattentionandglobalattentionusingtwographmaskingmatricesandfusesthemintoamulti-headself-attentiontoextractthedynamicspatialcharacteristicsandlong-rangespatialdependencesofroadnetworknodes.Finally,agatedfusionmoduleisdesignedtoadaptivelyfusethespatio-temporalcorrelationcharacteristicsoftraf-ficflowdata.TheeffectivenessoftheproposedmodelisverifiedonthreerealtrafficflowbenchmarkdatasetsPEMS04,PEMS07andPEMS08,andtheresultsshowthatthethreepredictionaccuracymetricsoftheproposedmodelonthethreedatasetsimprovedby4.437%,2.930%,and4.275%onaveragecomparedwiththeothermodelswiththehighestaccuracy.
作者：梁秀霞 夏曼曼 何月阳 梁涛Author：LIANGXiu-xia XIAMan-man HEYue-yang LIANGTao
作者单位：河北工业大学人工智能与数据科学学院,天津300132
刊名：电子学报
Journal：ActaElectronicaSinica
年，卷(期)：2024, 52(2)
分类号：TP273U491.1
关键词：智能交通 多头图注意力网络 图掩码机制 特征融合 时空数据位置嵌入
Keywords：intelligenttransportation multi-headgraphattentionnetwork graphmaskingmechanism featurefu-sion spatio-temporaldatapositionembedding
机标分类号：TP391U491.112TN98-34
在线出版日期：2024年4月19日
基金项目：基于时空多头图注意力网络的交通流预测[
期刊论文] 电子学报--2024, 52(2)梁秀霞 夏曼曼 何月阳 梁涛针对当前路网交通流量预测方法中存在的挖掘复杂的动态时空特性和长距离的空间依赖性能力不足等问题,基于多头自注意力网络构建一种新型的交通流预测模型.考虑到交通流在不同周期尺度下呈现出的高度相似性,以及静态时空...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
基于时空多头图注意力网络的交通流预测 Traffic Flow Prediction Based on Spatio-Temporal Multi-head Graph Attention Network
基于时空多头图注意力网络的交通流预测.pdf
- 文件大小:
- 1.7 MB
- 下载次数:
- 60
-
高速下载
|
|
