城市道路短时车速预测是智能交通系统中的一个重要组成部分,也是城市道路交通信号灯控制、公交调度、出行线路搜索等具体应用任务的基础.目前这方面的研究热点多是使用图卷积神经网络捕获空间特征,再使用直接的线性拼接方法进行特征处理...城市道路短时车速预测是智能交通系统中的一个重要组成部分,也是城市道路交通信号灯控制、公交调度、出行线路搜索等具体应用任务的基础.目前这方面的研究热点多是使用图卷积神经网络捕获空间特征,再使用直接的线性拼接方法进行特征处理,在准确度上有不足.针对短时车速预测的高准确性要求,提出一种融合图注意力网络、门控循环单元和天气权重因子的深度学习预测模型(Graph Attention Network Based with Weather Weight,W2-GAT).其中,图注意力网络利用注意力机制捕获城市道路空间信息,门控循环单元用于提取车速时间特征,重点关注待预测点周边的路面车速情况;在特征处理方面,将天气因素作为可变权重超参数与具体的道路车速特征进行融合,提高预测的准确性.实验结果表明,和现有模型相比,W2-GAT模型预测结果的均方根误差平均降低7.5%,准确率平均提升4%,能够较好地反映实际路面情况下未来短时的车速特征,为具体应用提供数据支撑.展开更多
文摘城市道路短时车速预测是智能交通系统中的一个重要组成部分,也是城市道路交通信号灯控制、公交调度、出行线路搜索等具体应用任务的基础.目前这方面的研究热点多是使用图卷积神经网络捕获空间特征,再使用直接的线性拼接方法进行特征处理,在准确度上有不足.针对短时车速预测的高准确性要求,提出一种融合图注意力网络、门控循环单元和天气权重因子的深度学习预测模型(Graph Attention Network Based with Weather Weight,W2-GAT).其中,图注意力网络利用注意力机制捕获城市道路空间信息,门控循环单元用于提取车速时间特征,重点关注待预测点周边的路面车速情况;在特征处理方面,将天气因素作为可变权重超参数与具体的道路车速特征进行融合,提高预测的准确性.实验结果表明,和现有模型相比,W2-GAT模型预测结果的均方根误差平均降低7.5%,准确率平均提升4%,能够较好地反映实际路面情况下未来短时的车速特征,为具体应用提供数据支撑.
