基于深度时序聚类的城市卡口短时交通流量预测
Short-term traffic flow prediction of city intersection based on deep temporal clustering
1. 成都信息工程大学 软件工程学院, 成都 610225
2. 四川易方智慧科技有限公司, 成都 610000

摘要
目前,基于深度学习的交通流量预测方法存在不足。首先,基于图卷积网络的预测模型使用简化的路网拓扑,忽视了实际交通组织信息,影响预测准确性。其次,基于聚类的预测模型未考虑交通流的区域和时间相似性,未能有效利用时空模式,导致聚类结果对预测提升有限。此外,过大的训练样本增加了训练和预测时间,影响实时性。为了解决上述问题,提出了基于深度聚类的城市卡口短时流量预测模型(deep temporal clustering traffic flow prediction,DTCTFP)。首先,构建包含实际交通组织信息的路网拓扑,利用图卷积网络挖掘卡口间的时空特性;其次,引入改进的动态时间规整和最短路径分析方法,将相似的交通流对象归类到同一簇,使模型充分利用流量、时间、位置等特征信息,提升预测精度;最后利用基于簇的循环神经网络进行预测,提高模型的实时性和计算效率。基于重庆大渡口交通数据进行了实验验证,结果显示,相较于最新基准模型,在MAE、RMSE、MAPE指标上,平均降低了15.02%、10.72%、10.98%,并通过消融实验证实了所提出的聚类方法能够提升14.5%的预测准确性。
基金项目
香港中文大学(深圳)开放课题广东省大数据计算基础理论与方法重点实验室开放课题基金资助项目(B10120210117-OF02)
云南省智能系统与计算重点实验室开放课题(ISC22Y02)
四川省科技计划重点研发项目(2023YFG0027)
出版信息
DOI: 10.19734/j.issn.1001-3695.2024.07.0284
出版期卷: 《计算机应用研究》 印刷出版, 2025年第42卷 第2期
所属栏目: 基于人工智能的趋势预测专题
出版页码: 371-380
文章编号: 1001-3695(2025)02-007-0371-10
发布历史
[2025-02-05] 印刷出版
引用本文
郭健, 郑皎凌, 乔少杰, 等. 基于深度时序聚类的城市卡口短时交通流量预测 [J]. 计算机应用研究, 2025, 42 (2): 371-380. (Guo Jian, Zheng Jiaoling, Qiao Shaojie, et al. Short-term traffic flow prediction of city intersection based on deep temporal clustering [J]. Application Research of Computers, 2025, 42 (2): 371-380. )
关于期刊

- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年,是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术,及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者,读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员,各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅,所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊(北大2023年版)
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊