基于ST-TransTL模型的精细化交通流量预测

摘要

短时交通流量预测是智能交通系统实时调度、路径诱导和拥堵治理的核心技术。针对现有预测模型对时空动态相关性捕捉不足、数据稀缺场景适应性差等问题，本研究提出了一种融合时空动态图卷积与迁移学习的改进模型。该模型通过时空自适应嵌入模块挖掘交通流的周期特征与动态空间关联，并利用时空记忆注意力机制强化关键时空信息的权重分配，同时引入对抗性域自适应迁移学习模块，解决数据稀缺场景下的特征提取难题。结果表明：该模型可为智慧交通系统的动态决策提供精准数据支撑，具有较强的工程应用价值。

关键词

短时交通流量预测 / 智能交通 / 时空动态图卷积 / 注意力机制 / 迁移学习