注意力机制与混合模型融合的短期交通流预测

摘要

为及时、准确地预测交通流，解决精度低、高维特征缺失等问题，建立CNN-GRU-ATT模型来对英国高速公路交通数据进行预测。模型中的卷积层用来提取特征，GRU层用于描述时间趋势，注意力层用于聚焦关键信息。输入多个路段的短期交通流信息，考虑多路段之间的相互关联以及气象因素的影响。实验发现：该模型与支持向量回归(SVR)、长短期记忆网络(LSTM)、门控循环网络(GRU)、CNN-GRU、GRU-ATT模型相比，模型精度更高，拟合优度达到了96.89%,MAPE最高降低了21.55%;将多路段与单路段数据分别进行输入，发现前者能够更好地进行预测，MAPE降低了7.56%。添加气象因素后模型精度有所提高，拟合优度达到了97.06%。

关键词

注意力机制 / 多路段输入 / 卷积神经网络 / 门控循环网络

基金资助

国家自然科学基金项目(11961039,11801243); 兰州交通大学校青年科学基金项目(2017012)