中国安全科学学报

作者：周新民, 金江涛, 鲍娜娜, 袁涛, 崔烨

单位：1 湖南工商大学 人工智能与先进计算学院,湖南 长沙 410205；2 湘江实验室,湖南 长沙 410205；3 湖南工商大学 前沿交叉学院,湖南 长沙 410205；4 湖南工商大学 计算机学院,湖南 长沙 410205

关键词：注意力卷积长短时记忆残差网络(ACLR)模型,交通流量预测,城市出租车,时空特征,残差结构

基金：国家社会科学基金资助(21BGL231)

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。

来源：2024年第7期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2024年第7期