基于Transformer的多层CNN-GRUSKIP模型用于时空交通流预测
机器学习
2025-01-15 v1
摘要
交通流预测仍然是智能交通系统（ITS）的基石，影响着路线优化和环境努力。虽然循环神经网络（RNN）和传统卷积神经网络（CNN）对交通数据的时空动态提供了一些见解，但在处理稀疏和扩展的时空模式时往往受限。为此，CNN-GRUSKIP模型作为一种开创性方法出现。值得注意的是，它集成了GRU-SKIP机制，这是一种混合模型，利用门控循环单元（GRU）处理序列的能力，以及SKIP特征——能够跳过并连接更长的时间依赖关系，使其特别适用于具有不规则和扩展模式的交通流预测。另一个独特之处是其非标准的6层CNN，精心设计用于深度时空相关性提取。该模型包括：(1) 专门的CNN特征提取，(2) GRU-SKIP增强的长时模块，擅长捕捉扩展模式，(3) 采用编码器-解码器和多头注意力机制的Transformer模块，以提高预测精度并降低模型复杂度，以及(4) 定制的预测模块。在来自加州交通部性能测量系统（PeMS）的真实世界数据集（特别是PeMS第4和第8区）上进行测试时，CNN-GRUSKIP始终优于ARIMA、Graph Wave Net、HA、LSTM、STGCN和APTN等现有模型。凭借其强大的预测能力和自适应架构，CNN-GRUSKIP模型有望重新定义ITS应用，尤其是在涉及细微交通动态的场景中。
引用
@article{arxiv.2501.07593,
title = {A Multi-Layer CNN-GRUSKIP model based on transformer for spatial TEMPORAL traffic flow prediction},
author = {Karimeh Ibrahim Mohammad Ata and Mohd Khair Hassan and Ayad Ghany Ismaeel and Syed Abdul Rahman Al-Haddad and Thamer Alquthami and Sameer Alani},
journal= {arXiv preprint arXiv:2501.07593},
year = {2025}
}
备注
17 Pages, 18 Figures, 6 Tables