基于深度残差长短记忆网络交通流量预测算法

• 作者: 刘世泽 秦艳君 王晨星 苏琳 柯其学 罗海勇 孙艺 王宝会
• 来源期刊: 计算机应用
• 关键词: 时空数据挖掘 编解码器 长短期记忆 挤压-激励模块 空间注意力
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 2020年全国开放式分布与并行计算学术年会(DPCS 2020)|National Open Distributed and Parallel Computing Conference 2020 (DPCS 2020)
• 页码范围: 1566-1572
• 页数: 7页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020121928

摘要

针对多步交通流量预测任务中时间空间特征提取效果不佳和预测未来时间交通流量精度低的问题,提出一种基于长短时记忆(LSTM)网络、卷积残差网络和注意力机制的融合模型.首先,利用一种基于编解码器的架构,通过在编解码器中加入LSTM网络来挖掘不同尺度的时间域特征;其次,构建基于注意力机制挤压激励(SE)模块的卷积残差网络嵌入到LSTM网络结构中,从而挖掘交通流量数据中的空间域特征;最后,将编码器中获得的隐状态下的信息输入到解码器中,实现高精度多步交通流量的预测.基于真实交通数据进行实验测试和分析,实验结果表明,相较于原始的基于图卷积的模型,所提模型在北京和纽约两个交通流量公开数据集上的均方根误差(RMSE)分别获得了1.622和0.08的下降.所提模型能够高效且精确地对交通流量作出预测.