基于CNN与多尺度特征融合的城市交通流预测模型

作者：殷齐; 丁飞^*; 朱跃; 李静宜; 沙宇晨

来源：计算机技术与发展, 2022, 32(10): 175-181.

• 交通流
• 卷积神经网络
• 残差自校验网络
• 多尺度特征
• 门控循环单元

随着出租车和网约车的日益普及，GPS数据生成大量的时空视频流数据，对城市交通流预测提供坚实的数据价值。传统城市流量预测方法存在精度低，目标区域受周围区域影响等问题。卷积神经网络在交通流预测上表现出色，但仍存在目标区域受全局信息的干扰、低层网络的特征表征能力弱及高层下采样损失过多特征等问题。该文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)与多尺度融合机制的交通流预测模型MS-RSCNet(Multi-scale Residual Self Checking Network)。该模型采用了一种残差自校验网络(Residual Self Checking Network, RSCNet)结构，并引入融合多尺度特征的双向门控循环单元设计方案。通过公开数据集对交通流预测性能进行测试验证，相较于ST-ResNet、ARIMA、STAR等模型，MS-RSCNet模型具有更优的交通流预测性能。

• 单位
  物联网学院; 南京邮电大学