基于图多头注意力与t分布GARCH耦合的交通流概率预测模型

摘要

【目的】交通流时间序列具有复杂的非线性、显著的时空依赖性与较强的不确定性等特征，通过构建融合图多头注意力网络（GMAN）与t分布广义自回归条件异方差（GARCH-t）模型的概率预测模型，为智能交通管理提供兼具高精度长期均值预测能力与可靠区间估计效果的决策支持工具。【方法】将GMAN与GARCH-t模型深度耦合，提出GMAN-GARCH-t模型。首先，通过多头时空注意力机制动态捕捉路网节点间的非线性时空关联，精准提取交通流演化的核心特征；然后，采用GARCH-t模型精确量化预测残差的异方差性；最后，构建“点预测-区间估计”协同优化的双层输出结构。在苏州市105个路段的实测数据上，对所提模型1至12步预测进行了验证。【结果】在均值预测中，12步预测的平均绝对误差为17.22辆/5 min；在区间估计中，95%置信区间的覆盖率达94.6%，且区间宽度可自适应交通状态变化。【结论】GMAN-GARCH-t模型通过融合时空注意力机制与厚尾波动率建模方法，实现了交通流概率预测精度与可解释性的同步提升，可为动态交通管控提供可靠的量化决策依据。

关键词

交通流时间序列 / 图多头注意力 / 厚尾波动率 / 概率预测 / 时空关联