排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
准确、实时的城市短时交通流量预测可为驾驶员提供实时的道路状况预警,是城市智能交通系统发展的重点之一.考虑交通流量数据的时空特征,该文提出一种基于注意力机制的GC-GRU时空预测模型(STGCGRU),模型输入根据交通流量时间特性划分为邻近片段、日周期片段、周周期片段3类,以嵌入图卷积(GC)计算的门控循环单元(GRU)作为基本单元搭建Encoder-Decoder模型框架.其中,GC用以捕捉城市道路图中的空间特征,GRU用以捕捉交通流量时序特征,注意力机制用以调节交通流量的趋势变动性.基于北京市出租车GPS轨迹数据集的实验结果表明,该模型适用于短时交通流量预测,预测精度随预测时长减少而升高;未添加周期性信息模型的预测精度优于常规基准模型,添加周期性信息后预测精度提升,并优于添加周期性信息的DeepST模型.对比不同交通情况,该模型可捕捉易堵路段交通流量的趋势变动性,晚高峰时期预测精度更高,但对交通流量的突增突减不敏感. 相似文献
1