基于深度学习的城市交通流短时预测方法研究

鹏 赵(北京理工大学，中国)

摘要

为了提升城市交通流短时预测的准确性和实时性，本研究构建了一个集成图卷积网络和注意力门控机制的时空预测模型，该模型特征工程选取流量和速度等变量，空间特征提取模块应用图卷积学习路网拓扑关系，时间特征提取模块使用门控循环单元结合注意力机制捕获时序依赖，特征融合后输出短时预测值，模型训练采用梯度下降算法优化损失函数。实验结果对比显示所提模型在5分钟和15分钟预测间隔上优于自回归积分滑动平均模型和支持向量机等基准方法，预测误差降低10%至15%，收敛性分析证实训练过程稳定，短时序性能一致，为智能交通系统应用提供可行方案。

关键词

深度学习；城市交通流；短时预测；图卷积网络

参考

靳恒清. 基于LSTM的城市交通流时空预测模型与优化 [J]. 信息记录材料, 2025, 26 (10): 243-245.

石弘利. 基于时空数据与深度学习的城市路网交通流预测方法研究[D]. 石家庄铁道大学, 2025.

孙正扬. 基于深度迁移学习的城市交通流预测方法研究[D]. 石家庄铁道大学, 2025.

方文浩. 基于图卷积网络和Transformer的城市交通流量预测方法研究[D]. 杭州电子科技大学, 2025.

王云锋. 基于深度学习的城市交通流短时预测研究[D]. 沈阳航空航天大学, 2024.

DOI: http://dx.doi.org/10.12345/bdai.v7i1.35267