基于多源异构时空数据融合的交通流量预测模型

Abstract

交通流量预测问题具有多源异构性，未来时刻的流量不仅与之前时刻的流量相关，同时也受城市区域间关系、天气情况、兴趣点（point of interest，POI）等异构时空数据的影响。针对此问题，提出一种基于多源异构时空数据融合的交通流量预测模型MHF-STNet。首先使用聚类方法获得城市区域不同的流量模式，并使用拼接、权重相加、注意力机制等多种方式融合交通流量、城市区域间的位置关系、天气、POI、工作日、假期多个模态的时空数据，使用深度学习方法对异构数据统一建模，预测未来时刻的交通流量。在北京出租车、纽约出租车和纽约自行车3个流量数据集上进行实验，与经典的交通流量预测模型相比，MHFSTNet的预测准确度有所提升。结果验证了MHF-STNet对异构时空数据统一建模的有效性。

Keywords

• 交通流量预测
• 多源异构数据统一建模
• 时空相关性