一种时空周期性注意力网络的交通流量预测模型

作者：王婧娟; 陈庆奎

来源：小型微型计算机系统, 2022, 43(11): 2321-2327.

DOI：10.20009/j.cnki.21-1106/TP.2021-0232

• 交通预测
• 时空数据
• 注意力机制
• 神经网络

当车流较密集时，易出现车辆拥堵继而引发交通事故，精确的交通流量预测对交通安全很重要.针对道路交通流量拥有复杂的空间相关性和时间依赖性的特性，本文提出了一种时空周期性注意力网络的交通流量预测模型(STPAN).首先，使用GCN构造空间相关性.其次，综合短期和长期的周期性信息对车流量进行预测，并采用LSTM获得时序依赖关系.交通流量数据具有周期性，然而此数据序列的周期性非真正意义上的按日或按周的.针对此问题，本文提出了一个周期性注意力机制解决周期性时间变化.此外，还将外部信息增添到此模型中以提升模型的预测精度.最后本文在PeMS数据集上验证所提模型的有效性.

• 单位
  上海理工大学; 上海立信会计金融学院