通过捕捉长短时间序列相关性来预测交通流量的多模式注意力神经网络.
Xiaohui Huang1, Yuan Jiang2, Junyang Wang1
1School of Information Engineering, East China Jiaotong University, Nanchang, 330200, China.
Scientific reports
|December 9, 2023
概括
这项研究引入了一个新的多模式注意力神经网络,通过捕捉长短时间序列相关性 (LSTSC) 来改善流量预测. 该模型提高了准确性和可靠性,特别是在长期交通预测方面.
科学领域:
- 人工智能的人工智能
- 运输工程 运输工程
- 数据科学数据科学数据科学
背景情况:
- 准确的交通流量预测对于高效的运输管理和驾驶员决策至关重要.
- 现有的方法往往忽视时间相关性,主要关注时间连续性.
- 这种局限性阻碍了开发真正有效的交通预测模型.
研究的目的:
- 提出一种新的多模式注意力神经网络,用于增强流量预测.
- 为了有效地捕捉空间-时间依赖性和长短期序列相关性 (LSTSC).
- 提高交通流量预测的准确性和可靠性,特别是长期预测.
主要方法:
- 开发一个多模式的注意力神经网络架构.
- 利用注意力机制,在交通数据中捕捉复杂的时空相关性.
- 纳入一种新的方法来建模长短期序列相关性 (LSTSC).
主要成果:
- 拟议的模型在预测交通流量方面表现出卓越的准确性和可靠性.
- 观察到显著的改善,特别是在长期预测场景中.
- 对PeMS08和PeMSD7 (M) 数据集的验证证实了该模型的有效性.
结论:
- 多模式注意力神经网络通过考虑时间相关性,有效地解决了现有方法的局限性.
- 该模型捕获LSTSC的能力导致了更准确和可靠的流量预测.
- 这种方法为智能运输系统提供了有希望的进步.
