基于多源异构时空数据融合的交通流量预测模型

交通流量预测问题具有多源异构性,未来时刻的流量不仅与之前时刻的流量相关,同时也受城市区域间关系、天气情况、兴趣点(point of interest,POI)等异构时空数据的影响。针对此问题,提出一种基于多源异构时空数据融合的交通流量预测模型MHF-STNet。首先使用聚类方法获得城市区域不同的流量模式,并使用拼接、权重相加、注意力机制等多种方式融合交通流量、城市区域间的位置关系、天气、POI、工作日、假期多个模态的时空数据,使用深度学习方法对异构数据统一建模,预测未来时刻的交通流量。在北京出租车、纽约出租车和纽约自行车3个流量数据集上进行实验,与经典的交通流量预测模型相比,MHFSTNet的...

Full description

Saved in:
Bibliographic Details
Published in大数据 Vol. 9; no. 4; pp. 69 - 82
Main Authors 安洋, 孙健玮, 李倩, 宫永顺
Format Journal Article
LanguageChinese
Published 人民邮电出版社有限公司 15.07.2023
山东大学软件学院,山东 济南 250101%中国电子科技集团有限公司第十五研究所,北京 100083
China InfoCom Media Group
Subjects
Online AccessGet full text
ISSN2096-0271
DOI10.11959/j.issn.2096-0271.2023042

Cover

More Information
Summary:交通流量预测问题具有多源异构性,未来时刻的流量不仅与之前时刻的流量相关,同时也受城市区域间关系、天气情况、兴趣点(point of interest,POI)等异构时空数据的影响。针对此问题,提出一种基于多源异构时空数据融合的交通流量预测模型MHF-STNet。首先使用聚类方法获得城市区域不同的流量模式,并使用拼接、权重相加、注意力机制等多种方式融合交通流量、城市区域间的位置关系、天气、POI、工作日、假期多个模态的时空数据,使用深度学习方法对异构数据统一建模,预测未来时刻的交通流量。在北京出租车、纽约出租车和纽约自行车3个流量数据集上进行实验,与经典的交通流量预测模型相比,MHFSTNet的预测准确度有所提升。结果验证了MHF-STNet对异构时空数据统一建模的有效性。
ISSN:2096-0271
DOI:10.11959/j.issn.2096-0271.2023042