基于注意力时空图神经网络的多任务交通流预测

摘要

【目的】针对现有单任务交通流预测未考虑任务间相关性的问题，提出一种能融合多任务时空特征的预测模型，为交通管理与控制提供有效依据。【方法】提出一种基于注意力时空图神经网络的多任务交通流预测模型。该模型首先利用图注意力网络和门控递归单元网络提取单任务时空特征，随后将提取结果输入多层全连接神经网络和多头注意力机制中，以融合并提取多任务时空特征。基于岳阳市卡口数据集对该模型进行训练以验证其准确性。【结果】与STL-LSTM相比，该模型在预测交通流量方面的平均均方根误差降低了15.57%，平均绝对误差减小了19.86%；在预测交通速度方面，平均均方根误差降低了3.59%，平均绝对误差减小了4.68%。【结论】该基于注意力时空图神经网络的多任务交通流预测模型能有效提升预测准确性，可为交通管理与控制提供有效依据。

关键词

多任务学习 / 交通流预测 / 深度学习 / 时空相关性