基于iTransformer的高速公路通行费精准预测模型

摘要

高速公路通行费受到节假日、突发事件等复杂因素影响，传统预测方法在处理这些问题时，往往无法充分考虑多维因素之间的复杂交互作用，导致预测精度难以达到理想水平。大型语言模型利用自注意力机制能够实现对复杂时空数据的拟合，并具有更强的特征学习能力，可有效解决高速公路通行费的精准预测问题。利用此特性提出了一种基于iTransformer的高速公路通行费精准预测模型，该预测模型将时间信息作为独立维度嵌入输入序列中，并倒置了自注意力机制与前馈网络的职责，使得预测模型能够更准确地捕捉时间序列的动态特征和多变量之间的相关性。实例分析结果显示，所提出的预测模型在普通场景下较SARIMA模型和LSTM模型平均预测精度分别提高23.47%和17.84%。特殊场景下具有更优预测效果，分别提升70.92%和45.64%。针对所提出预测模型进行敏感性分析，模型对前馈网络层数和编码器堆叠层数较为敏感，对注意力头数变化不敏感。该研究为解决复杂交通环境下的通行费预测问题提供了新的方法论支持，对提高高速公路通行费预测精度具有重要意义。

关键词

大语言模型 / 预测模型 / 自注意力机制 / 通行费