基于深度学习的城市区域短时交通拥堵预测算法

作者：李帅; 杨柳^*; 赵欣卉

来源：科学技术与工程, 2023, 23(25): 10866-10878.

• 交通拥堵预测
• CNN
• 相似性位置编码机制(SPEM)
• Transformer

城市的交通拥堵已经成为各个城市中的普遍现象，严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析，为了准确地对城市交通状态进行预测，通过网格划分的方法，把城市区域划分为多个区域，根据城市交通数据流的时空特征，提出了一种基于深度学习的城市交通拥堵预测模型(CS-Transformer)。该模型通过使用卷积神经网络(convolutional neural networks, CNN)提取基于网格划分的城市区域交通数据的空间特征，然后采用全连接神经网络增强模型的表达能力，再通过相似性位置编码机制(similarity location encoding mechanism, SPEM)把位置信息加入交通数据中，最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车全球定位系统(global positioning system, GPS)数据对模型进行验证，结果表明该模型预测结果优于CNN、Transformer和CNN-Transformer等模型，以均方误差(mean square error, MSE)为评价指标，将测试集中交通路网的平均预测精度分别提高了19.6%、26.3%和10%。

• 出版日期2023
• 单位西南交通大学