基于多尺度空间特征融合的高速公路车道级交通流量预测方法

摘要

现有高速公路交通流量预测研究多聚焦于道路断面，未充分考虑同1个断面内不同车道、上下游断面间流量的时空相关特性，且多忽略了流量与速度间的内在联系。以车道断面为对象，研究了基于多尺度空间特征融合的高速公路车道级交通流量预测方法。通过量化计算方法消除上下游断面间的空间时滞影响，降低了上下游交通流量在时序维度上的非对齐性；在空间特征提取方面，将剔除空间时滞影响的流量与速度信息进行整合，利用3个尺度的2通道三维卷积模块与注意力机制动态捕捉流量的车道间局部交互特征、上下游断面的全局传播模式，以及流量与速度间的内在关联；在时序建模上，利用长短期记忆网络同步提取多尺度空间特征变量的全局时间依赖关系，并通过全连接层输出预测结果。采用美国PeMS断面实测数据进行实例验证，结果表明：在单步预测任务中，本文方法的平均绝对误差、均方根误差和平均绝对百分比误差较其他模型平均至少降低了6.61%、5.50%、8.46%；在多步预测中，各步长平均误差最高可降低14.09%、15.25%、29.16%，验证了本文方法在挖掘交通流量多尺度细粒化时空特征方面的有效性，并在预测精度上表现出显著优势。此外，消融实验结果进一步验证了注意力机制与多尺度空间信息协同整合在提升高速公路交通流量预测性能中的关键作用。

关键词

高速公路 / 交通流量预测 / 深度学习 / 注意力机制 / 多尺度空间特征

基金资助

国家重点研发计划项目（2023YFB4301800）资助