通过基于注意力机制和残余时间卷积网络的更有效的模型来提高智能交通系统的长期交通预测效率
Selim Reza1, Marta Campos Ferreira2, J J M Machado3
1Faculdade de Engenharia, Universidade do Porto, Rua Dr. Roberto Frias, s/n, Porto, 4200-465, Portugal.
概括
本研究引入了一种用于准确预测交通状况的新型模型,通过捕捉时空依赖性和减轻对增强智能交通系统的错误积累,显著改善长期预测.
科学领域:
- 智能运输系统 智能运输系统
- 交通工程是交通工程.
- 机器学习用于时空数据
背景情况:
- 准确的交通状况预测对于优化运输网络和流动性至关重要.
- 传统方法与高维数据,多步预测中的错误积累以及对外部因素的稳定性作斗争.
- 捕捉长期的时空依赖性仍然是交通预测的一个关键挑战.
研究的目的:
- 为准确和强大的长期交通状况预测提出一种新型模型.
- 解决现有模型在处理高维特征和错误积累方面的局限性.
- 通过改进交通预测,提高智能交通系统的效率和可扩展性.
主要方法:
- 一个新的模型,结合了动态特征嵌入和深线性投影,以实现可扩展的特征表示.
- 整合时空定位编码和掩盖的多头注意力,以捕捉复杂的关系.
- 使用剩余时间卷积网络和直接的非自律回归策略,以防止多步预测中的错误积累.
主要成果:
- 拟议的模型在最先进的基线上表现出优越的性能,根平均平方误差和平均绝对误差的显著改善.
- 实现了高达21.17%和29.30%的RMSE平均改善,以及3.56%和32.80%的MAE改善.
- 通过对抗性干扰和传感器失效测试验证实了可靠性,以及强大的通用性.
结论:
- 这种新型模型有效地减轻了多步骤交通状态预测中的错误积累.
- 该架构为高维的流量数据和计算效率提供了可扩展性.
- 通过增强的预测能力,为推进智能运输系统提供了一个有前途的解决方案.
