.png){kind=icon}
返回
Traffic Flow Forecasting Methods Considering Meteorological Factors
.png){kind=icon}
PRE
AI
DOI：10.1061/JTEPBS.TEENG-9315.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目前，基于深度学习的交通流量预测研究大多关注交通数据自身的时空相关性。然而，这些研究往往忽视了外部因素（如天气条件）对交通变化的影响，或仅简单地将这些外部因素作为模型输入的一部分，未能充分考虑外部因素与交通变化之间的关系。此外，大多数方法采用点估计预测，未能考虑数据中的不确定性。为解决这些问题，本文提出了一种选择性交叉注意力特征融合方法。通过动态分配天气变量与交通特征之间的相关性权重，并整合分位数回归以建模不确定性，所提出的模型在融合多源信息的同时生成置信区间。实验表明，该方法在PEMS04数据集上降低了平均绝对误差，且相比传统的置信预测方法将预测区间宽度减少了23%，显著提升了预测结果的实用性和决策支持能力。与PDFormer等其他基准模型相比，预测精度也得到了提高。
Keyword:
Traffic forecasting
Cross-attention mechanism
Weather factor integration
Quantile regression
期刊
J
IF:
2.1
论文数:
130
被引数:
1.9K
机构
引用论文
ST-GRAT: A Novel Spatio-temporal Graph Attention Networks for Accurately Forecasting Dynamically Changing Road SpeedSt-grat: 一种新的时空图注意网络，用于准确预测动态变化的道路速度
OAAI
OAAI分享收藏Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架
OAAI
OAAI分享收藏Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Forecasting Freeway Traffic Volumes with Adverse Weather via a CNN-BiLSTM-Attention Model利用CNN-BiLSTM-Attention模型预测恶劣天气下的高速公路交通流量
PREAI
分享收藏
查看更多内容