城市背街停车时间序列预测的GraphLSTM-Attn模型开发

城市背街的非法和临时停车引发了严重的交通和行人安全问题，但现有研究集中于常规环境，并在整合描述停车行为的各种上下文变量方面存在局限。本研究旨在克服这些局限，开发了一种GraphLSTM-Attn模型，以准确预测背街的复杂和非结构化停车车辆数量，整合了时间依赖性、空间交互和上下文因素。所提模型结合了学习长期时间依赖性的基于LSTM的时间编码器和应用距离基衰减系数以捕捉邻近节点动态重要性的基于图的注意力网络的空间编码器。此外，通过Shapley加法解释分析筛选出对预测贡献最大的前三个上下文变量，从而提高输入结构的效率。利用安阳市的CCTV轨迹数据进行的实验结果显示，RMSE为1.031，R²达到0.961，展示了高预测性能。本研究不仅提高了预测的准确性，还提出了解释性预测框架，定量揭示了引发停车行为的关键因素，具有重要意义。