基于注意力的交通流量预测模型作为智能交通系统的一项服务

《IEEE Transactions on Artificial Intelligence》：Attention-Based Traffic Flow Forecasting Model as a Service of Intelligent Transportation System

时间变化的注意力模型（ATFFM）通过融合时空特征与外部因素实现多时段交通流量预测，利用车辆通信系统向周边车辆分发预测信息，在交通密集度不同的路口预测误差控制在2%-10%。

　　

影响声明：

本文提出了一种基于时间变化的注意力模型，该模型能够预测特定地点在不同时间范围内的车辆流量。该模型利用了空间信息...显示更多

摘要：

由于道路上车辆数量的增加以及该模型在自动驾驶汽车中的潜在应用，准确的交通预测变得至关重要。尽管已经提出了许多交通预测算法，但大多数系统仅能进行短期交通预测。然而，未来的车辆系统将需要一种混合交通预测模型，以预测不同时间点的车辆流量。在本文中，我们提出了一种基于时间变化的注意力流量预测模型（ATFFM），该模型能够预测特定地点在不同时间范围内的车辆流量。ATFFM基于具有空间和时间特征的全网大规模交通数据。通过交通图像/视频中的物体检测方法获取交通数据，并将其应用于ATFFM中进行进一步分析。最终预测结果是通过融合外部因素与时间和空间信息计算得出的。利用车辆间的通信功能，可以将预测信息传递给所有附近的车辆以供其做出决策。所提出的模型在交通预测方面表现出良好的可扩展性、适应性和较低的计算开销。对于不同车辆密度的交通交叉口（TIPs），交通预测误差的平均范围为2%至10%。

引言

提高交通系统的安全性和效率是现代交通系统的主要目标。智能交通系统（ITS）被认为是实现这些目标的关键手段，能够为当前和未来的交通问题提供解决方案[1]。ITS结合了信息处理、无线通信和传感器技术，为道路使用者和交通系统运营商提供实时信息，从而帮助他们做出更好的决策。其目标在于减少拥堵、旅行时间、调度行程、事故、交通瘫痪以及交通对环境的影响，从而提高交通效率和道路安全性。通过精确的交通预测，ITS的性能可以大幅提升，这有助于为通勤者提供远程支持或个人出行便利。