STIL-TA:基于时空交互学习和时间注意力的交通流预测新模型
Linlong Chen1, Linbiao Chen2, Hongyan Wang3
1School of Big Data & Information Engineering, Guiyang Institute of Humanities and Technology, Guiyang, China.
PloS one
|August 25, 2025
概括
通过新的空间时间交互学习和时间注意力模型 (STIL-TA) 改进了准确的流量预测. STIL-TA通过动态建模空间和时间交通模式来改善城市拥堵的预测.
科学领域:
- 交通科学
- 人工智能
- 数据科学
背景情况:
- 城市道路拥堵需要准确的交通流量预测.
- 现有的模型难以处理动态空间依赖性,脱的时空学习和长期趋势意识.
研究的目的:
- 提出一个新的空间时间交互学习和时间注意力 (STIL-TA) 模型,以提高交通流量预测.
- 通过共同建模时空特征来解决现有方法的局限性.
主要方法:
- 开发了一种使用动态图形卷积进行同步时空特征交互的交互式学习模块.
- 实施了一种时间多头趋势意识自我注意机制,以捕捉动态时间依赖和局部上下文线索.
主要成果:
- 与现有方法相比,STIL-TA模型表现出更高的性能.
- 在四个现实交通数据集中观察到预测准确度的显著改善.
结论:
- 通过集成动态时空建模,STIL-TA有效地提高了流量预测的准确性.
- 通过改进的预测,该模型为缓解城市道路拥堵提供了有希望的解决方案.


