Key points are not available for this paper at this time.
Prever com precisão o fluxo de tráfego é crucial para otimizar as condições de tráfego, reduzir a congestão e melhorar a eficiência das viagens. Para explorar em profundidade as características espaciotemporais do fluxo de tráfego, este estudo propõe o modelo MFSTBiSGAT. O modelo MFSTBiSGAT aproveita redes de atenção gráfica para extrair características espaciais dinâmicas de redes rodoviárias complexas e utiliza redes de memória de longo e curto prazo bidirecionais para capturar correlações temporais de ambas as perspectivas de tempo passado e futuro. Além disso, camadas de aprimoramento de informações espaciais e temporais são empregadas para capturar de forma abrangente os padrões de fluxo de tráfego. O modelo visa extrair diretamente características temporais originais a partir dos dados de fluxo de tráfego e utiliza a função de Spearman para extrair matrizes espaciais ocultas das redes rodoviárias para obter insights mais profundos sobre as características espaciotemporais. Dados históricos de velocidade do tráfego e ocupação de faixas são integrados ao modelo de previsão para reduzir erros de previsão e melhorar a robustez. Resultados experimentais em dois conjuntos de dados de tráfego do mundo real demonstram que o MFSTBiSGAT extrai e captura com sucesso as correlações espaciotemporais em redes de tráfego, melhorando significativamente a precisão da previsão.
Huang et al. (Mon,) estudaram esta questão.