基于CBAM&ConvLSTM的短时交通拥塞预测

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：短时交通拥塞预测是智能交通的重点问题,其难点在于时空序列的数据处理和特征提取.卷积长短期记忆网络(Convolutional Long Short-Term Memory,ConvLSTM)适合处理兼具时间和空间相关性的交通数据.而卷积注意力机制(Convolutional Block Attention Module,CB AM)在空间和时间维度引入注意力机制,使模型对于数据的变化更加敏感.文中结合ConvLSTM和CBAM,设计了一种新模型,对短时交通拥塞进行预测.实验基于百度地图实时数据,并与其他主流模型进行了比较.结果表明,该模型在交通数据的适应性方面优于其他模型,为解决交通拥塞的预测问题提供了一种新的思路和方法.

外文标题：Short-term traffic congestion prediction based on CBAM&ConvLSTM

外文摘要：Short-term traffic congestion prediction is a crucial key issue in intelligent transportation,which is difficult to reflect in the data processing and feature extraction of spatiotemporal sequences.Convolutional Long Short-Term Memory(ConvLSTM)is suitable for processing data with temporal and spatial correlation.Convolutional Block Attention Module(CBAM)introduces an attention mechanism in the spatial and tempo-ral dimensions,making the model more sensitive to the data.Therefore,this paper combines ConvLSTM and CBAM to design a new model to predict traffic congestion.Experiments are based on real-time data of Baidu Maps and compared with mainstream models.The results show that the model outperforms other mod-els in the adaptability of traffic data,which provides a new idea and method for solving the problem of traf-fic congestion prediction.

外文关键词：

deep learningshort-term traffic congestion predictionConvolutional Long Short-Term Memo-ry NetworkConvolutional Block Attention Modulespatiotemporal prediction

作者：

余文斌、沈鑫禹、钱铭、冯昊、王苏勋、张成军

展开 >

作者单位：

南京信息工程大学,江苏大气环境和装备技术协同创新中心,南京 210044

南京信息工程大学计算机学院,南京 210044

南京信息工程大学数字取证教育部工程研究中心,南京 210044

关键词：

深度学习短时交通拥塞预测卷积长短期记忆网络卷积注意力机制时空预测

基金：

国家自然科学基金国家自然科学基金国家自然科学基金

项目编号：

615012476170321261802197

出版年：

2024

DOI：

10.13274/j.cnki.hdzj.2024.06.001

信息技术

黑龙江省信息技术学会中国电子信息产业发展研究院　中国信息产业部电子信息中心

信息技术

CSTPCD

影响因子：0.413

ISSN：1009-2552

年,卷(期)：2024.(6)