边缘环境下基于时空特征融合Transformer的交通流量预测

摘要

作为一种新兴的计算范式，移动边缘计算(Mobile Edge Computing, MEC)为交通流量预测提供了新的解决思路以更好支持智能交通系统.面对实际MEC环境中动态变化的交通流量，现有方法无法有效捕获交通流量中复杂时空依赖关系以实现精准预测.此外，由于边缘服务器资源有限，往往无法及时处理海量交通流量数据，难以满足智能交通系统对实时性的高要求.为解决这些重要挑战，本文提出了一种新颖的边缘环境下基于时空特征融合Transformer的交通流量预测(Traffic Flow Prediction based on Transformer with spatio-temporal feature fusion, TFPformer)方法.首先，对原始交通流量数据进行特征嵌入和编码.接着，设计多头卷积低秩分解注意力机制以捕获长期时间依赖关系和获取局部上下文信息.随后，设计注意力图卷积以捕获空间依赖关系.最后，通过门控单元对时空特征进行自适应融合，进而利用前馈神经网络和线性层实现对未来交通流量的精准预测.基于真实的交通流量数据集，通过大量实验全面评估与验证了所提出TFPformer方法的有效性.相比于基准方法，TFPformer方法在不同数据集上均展现出了更加优越的预测精度和效率.

关键词

移动边缘计算 / 交通流量预测 / 时空依赖 / Transformer / 注意力机制