PPTNet：一种用于交通流预测和拥堵识别的混合周期模式-Transformer架构
机器学习
2025-06-16 v2
摘要
准确预测交通流参数和实时识别拥堵状态对于高效运行智能交通系统至关重要。本文提出了Periodic Pattern Transformer Network（PPTNet）用于交通流预测，将周期模式提取与Transformer架构相结合，并配合模糊推理方法进行实时拥堵识别。首先，构建了一个高精度的交通流数据集（Traffic Flow Dataset for China's Congested Highways and Expressways, TF4CHE），适用于中国拥堵高速公路和Expressway情景。随后，提出的PPTNet采用快速傅里叶变换捕获多尺度周期模式，并利用二维Inception卷积有效提取内部和外部周期特征。Transformer解码器动态建模时间依赖性，实现对交通密度和速度的准确预测。最后，通过预测结果计算实时拥堵概率，采用Mamdani模糊推理-based拥堵识别模块实现。实验结果表明，提出的PPTNet在预测精度方面显著优于主流交通预测方法，拥堵识别模块有效识别了实时道路拥堵状态，验证了该方法在真实世界交通情景中的优越性和实用性。项目页面：https://github.com/ADSafetyJointLab/PPTNet。
关键词
引用
@article{arxiv.2505.13047,
title = {PPTNet: A Hybrid Periodic Pattern-Transformer Architecture for Traffic Flow Prediction and Congestion Identification},
author = {Hongrui Kou and Jingkai Li and Ziyu Wang and Zhouhang Lv and Yuxin Zhang and Cheng Wang},
journal= {arXiv preprint arXiv:2505.13047},
year = {2025}
}