基于注意力机制LSTM的农村道路多变量交通状态预测
机器学习
2023-01-10 v1
摘要
准确的交通流量与速度预测在交通运输领域具有广泛的应用。它可为出行者及交通决策者提供有用且及时的信息。本研究提出一种基于注意力机制的长短期记忆模型(A-LSTM),用于同时预测连接伊朗最受欢迎旅游城市德黑兰与恰卢斯的一段关键农村道路分段的交通流量与速度。此外,本研究将A-LSTM模型与长短期记忆(LSTM)模型的结果进行比较。两种模型在预测速度和流量方面均表现出可接受的性能。然而,A-LSTM模型在5分钟和15分钟时间间隔上优于LSTM。相比之下,两种模型在30分钟时间间隔上无显著差异。通过比较基于不同时间范围的模型性能,15分钟时间范围模型以最低均方误差(MSE)损失0.0032优于其他模型,其次是30分钟和5分钟时间范围,分别为0.004和0.0051。此外,本研究针对15分钟时间间隔,基于时间类别输入变量的两种变换(独热编码或周期编码)比较了模型结果。结果表明,采用周期特征编码的LSTM和A-LSTM均优于采用独热特征编码的对应模型。
引用
@article{arxiv.2301.02731,
title = {Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads},
author = {Elahe Sherafat and Bilal Farooq and Amir Hossein Karbasi and Seyedehsan Seyedabrishami},
journal= {arXiv preprint arXiv:2301.02731},
year = {2023}
}