基于CNN与多尺度特征融合的城市交通流预测模型

作     者：殷齐 丁飞 朱跃 李静宜 沙宇晨 YIN Qi;DING Fei;ZHU Yue;LI Jing-yi;SHA Yu-chen

作者机构：南京邮电大学物联网学院江苏南京210003 南京邮电大学江苏省宽带无线通信和物联网重点实验室江苏南京210003 

出 版 物：《计算机技术与发展》 (Computer Technology and Development)

年 卷 期：2022年第32卷第10期

页      面：175-181页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61872423) 江苏省研究生科研与实践创新计划项目(KYCX20_0770) 江苏省大学生实践创新训练项目(SYB2020035) 

主　　题：交通流 卷积神经网络 残差自校验网络 多尺度特征 门控循环单元 

摘      要：随着出租车和网约车的日益普及,GPS数据生成大量的时空视频流数据,对城市交通流预测提供坚实的数据价值。传统城市流量预测方法存在精度低,目标区域受周围区域影响等问题。卷积神经网络在交通流预测上表现出色,但仍存在目标区域受全局信息的干扰、低层网络的特征表征能力弱及高层下采样损失过多特征等问题。该文提出一种基于卷积神经网络(Convolutional Neural Network,CNN)与多尺度融合机制的交通流预测模型MS-RSCNet(Multi-scale Residual Self Checking Network)。该模型采用了一种残差自校验网络(Residual Self Checking Network,RSCNet)结构,并引入融合多尺度特征的双向门控循环单元设计方案。通过公开数据集对交通流预测性能进行测试验证,相较于ST-ResNet、ARIMA、STAR等模型,MS-RSCNet模型具有更优的交通流预测性能。