融合交通事件信息的短时交通流参数预测

作     者：张静 陈诺 鲍钱涵 李斌 金盛 ZHANG Jing;CHEN Nuo;BAO Qian-han;LI Bin;JIN Sheng

作者机构：浙江公路水运工程咨询集团有限公司杭州市310000 中华人民共和国温州海事局温州市325002 浙江大学建筑工程学院杭州市310058 杭州恒生芸擎网络科技有限公司杭州市310053 浙江大学平衡建筑研究中心杭州市310058 

出 版 物：《公路》 (Highway)

年 卷 期：2024年第69卷第10期

页      面：241-250页

学科分类：08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：浙江省交通运输厅科技计划项目,项目编号202212 国家自然科学基金,项目编号72361137006 浙江省杰出青年基金,项目编号LR23E080002 

主　　题：交通工程 交通流参数预测 深度学习 高速公路交通流 时空相关性 

摘      要：为提高交通流参数预测精度,提出了一种融合交通事件信息的短时交通流参数预测模型(Incident Fusion Dynamic Spatial Temporal Network,IF-DSTN)。首先,IF-DSTN模型引入加州算法进行路网交通流事件状态检测计算,考虑道路事件发生在时空上对于整个路网交通流的影响,提高模型在事件发生等异常状态下的响应能力。其次,模型基于Transformer架构以及图卷积网络架构分别构建空间注意力模块(Spatial Transformer,ST)和时间注意力模块(Temporal Transformer,TT),模块组合成时空注意力模块共同提取交通流数据中的时空相关性。然后,模型融合事件检测的数据以及时空注意力模块数据,经过卷积操作得出短时交通流参数的预测结果。最后,设计实验讨论了IF-DSTN模型在路网交通流预测精度上对比其他优秀模型的优势。结果表明:对于一段布设有200余个检测点的高速公路,本文模型预测结果平均绝对百分比误差为4.418%,均方根差为16.084辆/h。相较于其他未考虑交通事件检测信息的模型有较大地提升,并在未经计划的交通事件发生时具有明显优势,强调了事件影响下的路网时空关系变化,模型能够在交通事件影响下实现更准确地预测。