AST3DRNet:基于注意力的时空3D残余神经网络用于交通拥堵预测
Lecheng Li1, Fei Dai1, Bi Huang1
1School of Big Data and Intelligent Engineering, Southwest Forestry University, Kunming 650224, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
本研究介绍了AST3DRNet,这是一个基于注意力的网络,用于预测交通拥堵. 该模型通过有效地捕捉复杂的时空相关性,显著提高了短期交通预测的准确性.
科学领域:
- 智能运输系统 智能运输系统
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 交通拥堵预测对于智能交通系统至关重要.
- 现有的模型在与不变的时空相关性作斗争,导致交通预测不足.
- 准确的短期交通预测仍然是一个挑战.
研究的目的:
- 提出基于注意力的时空3D残余神经网络 (AST3DRNet),用于直接预测全市道路网络拥堵水平.
- 增强在交通数据中的时空相关性建模.
- 为了提高短期交通拥堵预测的准确性.
主要方法:
- 开发了AST3DRNet,将3D残余网络与自我注意机制集成在一起.
- 利用堆叠的3D残余单位和3D卷积来捕捉不同的时空相关性.
- 引入了一种新的时空注意力模块,以动态权衡空间和时间维度的相关性.
主要成果:
- 与基线模型相比,AST3DRNet在真实世界的交通拥堵数据集上表现出更高的性能.
- 在短期预测方面取得了显著的准确性改善:59.05% (5分钟),64.69% (10分钟) 和48.22% (15分钟).
- 该模型有效地模拟了交通数据中的复杂的时空动态.
结论:
- AST3DRNet提供了一个强大的解决方案,用于准确的短期交通拥堵预测.
- 基于注意力的方法有效地解决了先前在建模时空依赖性方面的方法的局限性.
- 这种进步有助于更高效的智能交通系统.
