基于注意力的卷积长短期记忆网络的混合深度学习模型用于短期交通流预测

随着智能交通系统（ITS）的部署，准确的短期交通流预测在交通规划和管理中变得越来越重要。然而，现有的短期交通流预测方法无法有效捕捉交通流的复杂非线性，导致预测准确率不尽如人意。本文提出了一种基于深度学习的模型，该模型采用混合和多层架构，自动提取交通流数据的内在特征。首先，在卷积神经网络（CNN）和长短期记忆（LSTM）网络的基础上，我们开发了一个基于注意力的Conv-LSTM模块，用于提取空间和短期时间特征。注意力机制经过合理设计，以通过自动分配不同的权重来区分不同时间流序列的重要性。其次，进一步探索长期时间特征，我们提出了一个双向LSTM（Bi-LSTM）模块，以提取每日和每周的周期特征，从而捕捉交通流的变化趋势，考虑到之前和之后的方向。最后，呈现了大量实验结果，表明所提出的结合注意力Conv-LSTM和Bi-LSTM的模型相比其他现有方法实现了更好的预测性能。