基于注意力,Bi-LSTM和CNN的综合高速公路可见性预测模型
Wen Li1,2,3, Xuekun Yang2, Guowu Yuan1,3
1School of Information Science and Engineering, Yunnan University, Kunming 650504, China.
Mathematical biosciences and engineering : MBE
|March 29, 2024
概括
本研究介绍了基于注意力的BiLSTM-CNN (ABCNet) 模型,用于准确的高速公路可见度预测. 通过预测雾相关的可见度变化,ABCNet提高了交通安全,减少了事故.
科学领域:
- 环境科学 环境科学
- 运输工程 运输工程
- 人工智能的人工智能
背景情况:
- 气象灾害,特别是重雾,严重影响高速公路交通效率和安全.
- 由于雾的可见性低,是高速公路上交通事故的主要原因之一.
- 准确的可见度预测对于及时响应和改善交通安全至关重要.
研究的目的:
- 开发和评估一个先进的模型,用于准确的高速公路大气可见度预测.
- 通过减轻雾等气象灾害的影响来提高交通安全和效率.
- 引入一种新的深度学习架构,用于气象数据中的时空特征提取.
主要方法:
- 提出了基于注意力的BiLSTM-CNN (ABCNet) 模型,整合了Bi-LSTM,CNN和多头注意力机制.
- 双LSTM模块捕捉了前进和后退的时间依赖.
- CNN模块识别了当地的空间特征,通过注意力机制进行了细化.
主要成果:
- 该ABCNet模型在预测大气可见度方面表现出高准确性和有效性.
- 该模型成功地提取了气象元素的复杂时空特征.
- 实验结果显示,与传统预测模型相比,实验结果取得了显著的进展.
- 该模型成功地集成到实际系统中,产生了积极的结果.
结论:
- 该ABCNet模型为高速公路可见性预测提供了一种卓越的方法.
- 使用ABCNet准确的可见度预测可以显著提高高速公路交通安全.
- 这项研究为高海拔山区高速公路提供了有价值的,自行收集的气象数据集.
