智能交通
胡立伟, 余先林, 赵雪亭, 杨志莹, 王兴中, 胡飞宇, 武加宝
【目标】 为应对交通网络复杂的动态时空特性和提升路网的承载能力,改变路网不确定性导致的交通拥堵问题,提升特征提取过程中的精度及速度,基于BERT模型提出用于交通态势预测的TCPBERT模型。【方法】 首先将基于Transformer编码器框架的标准BERT模型引入交通预测中,以利用其强大的上下文信息学习能力和时间序列建模能力;随后在标准BERT模型基础上对模型参数及其嵌入方式进行改进,提出用于交通运行态势预测的TCPBERT模型,模型在堆叠的Transformer编码器中使用纯注意力机制对时间序列相关性进行捕获,通过将归一化处理后的时间序列数据集对模型进行训练和性能检验,与基线模型进行误差对比后验证TCPBERT模型在交通运行态势预测任务上可行性和有效性,最后为进一步评估模型的稳定性和鲁棒性,对TCPBERT模型进行敏感性分析,验证模型参数设置的最优性。【结果】 TCPBERT模型在多个评价指标上均优于基线模型,相较于LSTM,STGCN,ST-ANet模型,TCPBERT模型的平均绝对百分比误差分别降低了8.08%,6.59%,4.4%。在6 h的长时预测中,TCPBERT模型的预测结果与原始交通数据的趋势最为接近,显示出较强的时序建模能力和预测稳定性。【结论】 通过引入BERT模型、Transformer双向编码器架构和多头自注意力机制,采用TCPBERT模型加强了对时间序列信息的捕获能力,有效提升了交通运行态势预测的精度和效率。