来源：期刊VIP网 时间：
作者：陈雨佳;高明霞;向万里;莫俊文;
单位：兰州交通大学交通运输学院;兰州交通大学经济管理学院;
摘要：为了更准确地预测快速变化的城市环境中短时交通速度的动态变化，在考虑历史数据、天气因素和周围兴趣点（POI）的基础上，进一步融入路况因素，构建了特征融合组件（EF-Component）。基于现有深度学习模型，研究多种因素作用下融合图卷积网络（GCN）、长短期记忆（LSTM）网络和注意力机制的城市短时交通速度预测模型（EF-AGC-LSTM）。先利用特征融合组件将多种影响因素进行综合，再利用GCN和LSTM提取交通速度的时空特征，通过将GCN嵌入到LSTM门控计算中来同步获取数据的时空特征；然后利用注意力机制自动识别并加强关键外部因素的影响特征，提升模型的性能表现。在深圳市罗湖区的速度数据集上进行实例验证，结果显示：与基线模型相比，EF-AGC-LSTM的预测效果有较大提升，与传统的GCN-LSTM模型相比，预测的平均绝对误差（MAE）和均方根误差（RMSE）分别降低4.3%和3.3%，准确率提高1.4%。此外，在引入路况因素后，预测的MAE和RMSE分别降低了1.22%和0.87%。综合考虑多种影响因素可以使得短时交通速度的预测效果得到进一步提升，且EF-AGC-LSTM模型可以良好地实现多因素融合下的短时交通速度预测，满足城市管理的需要。
关键词：智能交通;;短时交通速度预测;;特征融合;;组合深度学习;;图卷积网络;;长短期记忆网络;;注意力机制
基金资助：国家自然科学基金资助项目(62262037)
