注意力机制与混合模型融合的短期交通流预测.pdfVIP

２０２５年第３９卷第１期

ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｖｏｌ．３９Ｎｏ．１２０２５

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－８４２５（ｚ）．２０２５．０１．０２７

注意力机制与混合模型融合的短期交通流预测

周文学，赵丽雅

（兰州交通大学数理学院，兰州７３００００）

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

中图分类号：ＴＰ３文献标识码：Ａ文章编号：１６７４－８４２５（２０２５）０１－０２１３－０６

传统径向基函数神经网络模型，ＭＡＰＥ比ＢＰ神经网络、广义

［３］

０引言ＲＢＦ神经网络分别降低了１５．９６％、５．０１％。张兴辉等使用

了反向学习的灰狼算法对ＢＰ网络模型进行优化，验证了ＯＬ

随着智能交通系统（ＩＴＳ）的快速发展，越来越多的城市［４］

ＧＷＯ算法突出的性能优势。张文胜等基于改进灰狼算法

应用ＩＴＳ来改善交通管理，可以有效缓解城市道路拥堵。ＩＴＳ［５］

对ＢＰ神经网络进行优化，发现精度有所提升。温惠英等使

依靠监控技术收集实时可靠的交通数据，如果能够实现实用遗传算法对模型参数进行调整，可以得到ＧＡＬＳＴＭ模型的

时、准确地进行交通流预测，很有可能为市民、政府官员和自［６］

最优结果。胡松等使用改进鲸鱼算法对最小二乘支持向量

动车辆提供更合理的指导。因此，及时、准确地预测短期交机模型进行改进，发现模型预测结果整体较好。

通流是交通研究的重点。上述模型仅考虑时间维度，但交通流数据还包含了空间

交通流预测属于时间序列预测的一种，早期预测方法主维度。［７］

Ｚｈｕａｎｇ等充分考虑交通流的空间相关性，提出先使

要是基于统计分析的，例