计算机应用研究

作者：廖挥若,杨燕,

单位：1.西南交通大学计算机与人工智能学院,成都611756；2.四川省云计算与智能技术重点实验室,成都611756；

关键词：交通流量预测,深度学习,卷积长短时记忆网络,注意力模型,

基金：国家自然科学基金资助项目(61976247)；；

可靠的交通流量预测在交通管理和公共安全方面具有重要意义。然而，这也是一件具有挑战性的任务，因为它易受到空间依赖性、时间依赖性以及一些额外因素（天气和突发事件等）的影响。现有的大部分工作只考虑了交通数据的部分属性，导致建模不充分，预测性能不理想。因此，提出了一种新的端到端的深度学习模型——时空注意力卷积长短期记忆网络（ST-AttConvLSTM），用于交通流量的预测。ST-AttConvLSTM将整个模型分为三个分支进行建模，每个分支经过残差神经网络提取局部的空间特征，同时进一步结合天气等外部因素，再利用卷积长短时记忆网络（ConvLSTM）和注意力模型两种组件来挖掘流量的潜在规律，捕获时空维度上数据的关联性。使用北京市和纽约市两个真实的移动数据集来评估提出的方法，实验结果表明，该方法比知名的基准方法有更高的预测精度。

来源：2021年第10期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第10期