基于注意力机制的短时交通流预测模型研究

打开文本图片集

摘要 在交通流预测领域，一些经典的预测方法虽然计算效率高，但忽略了交通数据的高度非线性和动态性，只适用于精度要求低、运行状态平稳的交通流预测。如今，深度学习与预测模型相结合，在挖掘大交通数据中深层次、隐含的时空关联方面取得了良好效果。文章根据短时交通流量在时空序列数据中的依赖性和非线性相关的特点，提出了一种基于注意力（Attention）机制的卷积神经网络（CNN）和双向门控循环网络（BiGRU）组合的预测模型（CNN-Attention-BiGRU，简称CN-AM-BG），以预测短时交通流。（剩余6306字）