基于图注意力机制的交通流预测模型

针对现有交通流预测模型在预测精度上的不足，提出一种基于注意力机制的图模型。首先，利用多头注意力机制在交通图中编码高阶邻域结构，提取交通网络中的高阶空间特征。然后，嵌入长距离时间结构注意力机制提取长期性的历史周期信息。模型采用注意力机制替代传统的局部卷积核结构，可以有效提取长距离时空依赖关系。在METR-LA(洛杉矶路网)、PeMS-BAY(加州湾区路网)、PeMS-S(加州小型路网)三个真实的交通数据集上进行实验证明，模型在预测未来60 min的交通流精度上较传统深度学习方法，RMSE(均方根误差)平均降低3.1%、3.9%和1.8%,表明所提模型的长时间预测能力优势明显。