SE-MAConvLSTM:用于短期流量预测的深度学习框架,结合了Squeeze-and-Excitation网络和多注意力卷积LSTM网络
Rong Zhu1, Jie Tang1, Xuansen He1
1School of Modern Information Industry, Guangzhou College of Commerce, Guangzhou, China.
PloS one
|December 5, 2024
概括
本研究介绍了SE-MAConvLSTM,这是一种用于准确的短期流量预测的深度学习模型. 这种新的方法通过改善对乘车和公共自行车等服务的需求预测来提高运输管理.
科学领域:
- 运输科学 运输科学
- 人工智能的人工智能
- 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交通管理至关重要,影响了乘车和公共自行车部署等服务.
- 现有的方法在捕捉复杂的时空相关性和理解数据道和时间模式 (接近度,周期,趋势) 的影响方面面临挑战.
研究的目的:
- 开发一种新的深度学习算法,SE-MAConvLSTM,用于增强短期流量预测.
- 解决现有模型在准确建模交通数据的时空依赖性和时间特征方面的局限性.
主要方法:
- 设计了一个空间时间特征提取模块 (STFEM),集成卷积神经网络 (CNN),挤压激发网络 (SENet),残余网络 (ResNet) 和卷积LSTM网络 (ConvLSTM).
- 开发多重注意模块 (MAM) 以有效地建模交通流数据的接近度,周期和趋势组件.
- 集成的STFEM和MAM输出使用聚合模块进行最终预测.
主要成果:
- 该SE-MAConvLSTM模型在两个真实世界数据集上表现出卓越的性能.
- 与最好的基线模型相比,实现了根平均平方误差 (RMSE) 的4.5%和3.7%的降低.
结论:
- 拟议的SE-MAConvLSTM模型有效地捕捉了交通流数据中的复杂的时空相关性和时间模式.
- 这种深度学习方法为短期交通流量预测提供了显著的改进,有利于运输规划和资源管理.
