融合交通流传播特性的城市路网短时交通流预测

摘要

【目的】寻求一种数据利用效率较高、对交通流在路网中的传播机理可解释性较强的方法来解决城市路网短时交通流的预测问题。【方法】提出了一种融合交通流传播特性的城市路网短时交通流预测（NNLTM-TGAT）模型，以路段传输模型（LTM）为路网交通流模型，将传统不可微的交通流模型转化为可微的计算图，将交通流在路网中的传播机理融入计算图模型，并引入图注意力门控循环神经网络（GAT-GRU）模型提取城市路网交通流数据中时间和空间维度的特征信息，实现城市路网交叉口流向级的短时交通流预测。【结果】使用浙江省台州市中心城区部分路网的交通流量数据进行模型性能测试。结果表明，所提出的NNLTM-TGAT模型在早高峰、平峰、晚高峰场景下的流量均方根误差R_RMSE分别为6.97、6.49、6.86辆/5 min，其预测性能均比对比模型的好。【结论】所提出的NNLTM-TGAT模型可以借助深度学习模型强大的高维时空建模能力与动态特征学习能力来提取原始数据中的时空特性，同时借助交通流传播机理的先验知识，在不同场景下取得较好的预测性能。

关键词

短时交通流预测 / 城市路网 / 路段传输模型 / 计算图 / 图注意力门控循环神经网络