基于模糊分析的LSTM交通流量预测

为提高交通流预测模型的准确性及泛化性,提出一种基于模糊分析的LSTM交通流预测方法实现对交通状态的预估分析.对历史数据采用LSTM神经网络进行训练,获取神经网络权值参数,针对交通流时序数据存在周期性,提出基于模糊聚类分析的策略对LSTM模型的历史训练误差进行聚类.根据当前交通流数据与历史数据的相似度预估LSTM预测模型的在线误差.综合LSTM神经网络预测输出以及基于相似度分析的在线误差预测输出预估交通流状态,给出相应的算法步骤.仿真实验验证了提出方法的有效性,其比单一预测预测模型效果更好.     

基于特征融合图注意网络的高速公路交通流预测

基于交通网络的实际时空拓扑，提出一种特征融合图注意网络（FF-GAT）模型融合节点获取的多种交通状态信息，预测高速公路交通流。首先，分析节点的车速、交通流和占有率之间的关联特征，并基于多变量时间注意力机制，将车速、交通流和占有率之间的关系融入注意力机制，从而捕捉交通流的不同时间之间的动态时间相关性；其次，将节点划分为不同的邻域集，并通过特征融合图注意网络（GAT）捕获交通流的不同邻域之间的空间相关性；同时，通过特征交叉网络充分挖掘多个异构数据之间的耦合相关性，为预测目标序列提供有效的信息补充。在两个公开交通流数据集上的实验结果表明：在PeMSD8数据集上，与ASTGCN(Attention based Spatial-Temporal Graph Convolutional Network)模型相比，FF-GAT模型的均方根误差（RMSE）降低了3.4%；与GCN-GAN(Graph Convolutional Network and Generative Adversarial Network)模型相比，FF-GAT模型的RMSE降低了3.1%。可见，FF-GAT模型能够通过特征融合...