基于注意力机制的堆叠LSTM短时船舶交通流预测模型

摘要

针对由短时船舶交通流数据的非线性与非平稳性特征导致的预测精度低的问题，提出基于注意力机制的堆叠LSTM船舶交通流预测模型。采用堆叠式LSTM神经网络捕捉短时船舶交通流数据的时序特征，并通过引入注意力机制更好地学习全局性特征，以提高船舶交通流预测精度。提取长江下游三个航段的船舶AIS数据构建船舶交通流数据集，并将其用于本文模型的训练和测试。结果表明，相较HA、ARIMA、GPR、LSTM和Seq2Seq等基线模型，在交通流量宏观参数预测中，本文模型的均方根误差和平均绝对误差两个评价指标均有所降低；与最优基线模型相比，本文模型在船舶交通流预测中表现出更高的精度，其均方根误差降低4.05%,平均绝对误差降低4.04%。

关键词

内河交通 / 船舶交通流预测 / 长短时记忆网络(LSTM) / 堆叠LSTM / 注意力机制