基于Att-CNN-BiGRU的高速公路短时交通流预测方法研究

莫宇蓉

(江西省交通监控指挥中心，江西 南昌 330036)

摘　要：消除高速公路交通流数据随机噪声和确定深度神经网络框架以及超参数是短时交通流组合预测模型的关键环节。为了提高高速公路交通流管理水平，针对交通流的时空特征和长时间序列依赖问题，利用CNN框架提取了交通流的空间特征，融合了注意力机制加权分配各时间节点对交通流预测的关注度，并结合BiGRU提取了时间特征，从而消除了噪声并加强了对时间序列问题的解析，构建了Att-CNN-BiGRU组合模型从而预测出高速公路短时交通流。在以江西省高速公路数据集为例的试验中获得的结果表明：该模型的平均绝对误差(MAE)达到了6.88，均方根误差(RMSE)达到了9.90，平均百分比误差(MAPE)达到了30.81%;模型预测精度优于基线模型，且模型可用于高速公路交通流的精确预测。该研究成果可为高速公路交通组织与缓解交通压力提供基础数据支撑。

关键词：高速公路;短时交通流预测;组合模型;门控循环单元;卷积神经网络;注意力机制