MSTIM：基于 MindSpore 的交通流预测模型
机器学习
2025-04-21 v1
摘要
针对传统交通流预测模型在处理多尺度时序特征和动态变化模式时准确率低、误差波动大的問題，本文提出一种基于 MindSpore 框架的多尺度时序信息建模模型 MSTIM，该模型集成了长短期记忆网络（LSTM）、卷积神经网络（CNN）和注意力机制，以提高建模的准确性和稳定性。实验采用 Metropolitan Interstate Traffic Volume（MITV）数据集进行，并与典型的 LSTM-注意力模型、CNN-注意力模型和 LSTM-CNN 模型进行比较分析。实验结果表明，MSTIM 模型在均方绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）等指标上取得更佳成绩，显著提高了交通量预测的准确性和稳�定性。
引用
@article{arxiv.2504.13576,
title = {MSTIM: A MindSpore-Based Model for Traffic Flow Prediction},
author = {Weiqi Qin and Yuxin Liu and Dongze Wu and Zhenkai Qin and Qining Luo},
journal= {arXiv preprint arXiv:2504.13576},
year = {2025}
}