Modelo de Previsão de Fluxo de Tráfego Multi-Visual Baseado em Convolução Espacial-Temporal

Prever o fluxo de tráfego sempre foi uma tarefa significativa em sistemas de transporte inteligente. Devido às substanciais dependências temporais e espaciais das sequências de fluxo de tráfego, prever com precisão o fluxo de tráfego representa um desafio considerável. Muitos trabalhos existentes se baseiam principalmente em redes neurais recorrentes, redes neurais de grafos e modelos Transformer para estabelecer modelos de previsão de fluxo de tráfego. Para melhor extrair características e aumentar a eficiência, um modelo de previsão de fluxo de tráfego baseado em convolução espacial-temporal multi-visual (MVSC) é proposto. Este modelo aprende a representação dos dados da sequência na camada de codificação de entrada e incorpora informações de localização e tempo. Na camada de aprendizado de representação de características espaciais e temporais, considerando os diversos padrões periódicos nas sequências, vários módulos de aprendizado de representação são projetados, realizando exploração de características espaciais e temporais locais por meio de convolução unidimensional e, em seguida, completando a mineração de características espaciais e temporais globais com base na convolução causal. Para aprimorar ainda mais a utilização de características espaciais e temporais do modelo, um mecanismo de atenção de canal é introduzido na camada de previsão. O método de previsão empregado no estudo é de múltiplos passos diretos, e experimentos subsequentes realizados em dois conjuntos de dados reais demonstram que o modelo MVSC exibe um certo grau de superioridade em MAE, RMSE e MAPE tanto para previsões de curto quanto de longo prazo em comparação com modelos existentes. E, através dos mais recentes experimentos e investigações, foi encontrado que o MVSC melhorou o desempenho do MAPE em cerca de 1,2% em comparação com modelos recentes, como RTGCN e STRGCN, alcançando os resultados pretendidos.