典型文献
基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型
文献摘要：
文章针对短时交通流量时空依赖性、非线性的特点,为提高交通流量的预测精度,将时间建模和空间建模相结合,提出一种整合改进的变分模态分解(variational mode decomposition,VMD)结合图注意力网络(graph attention networks,GAT)与注意力模型搭建的组合预测模型.在时间维度上,利用改进粒子群算法(improved particle swarm optimization,IPSO)优化的变分模态算法分解交通流量,保证了VMD的充分分解,并得到相对平稳的交通流量序列,提高了组合模型的预测精度;在空间维度上,构建有效分解模态与原交通流量序列的GAT,提取不同时间序列中各交通节点之间的空间信息;引入注意力机制提高主要时空信息权重,降低次要时空信息权重,进一步提升了组合模型的预测精度.实验结果表明,该组合模型比IPSO-VMD-GAT-Attention模型以及VMD-GAT-Attention模型的均方根误差分别下降了31％ 和21％,而且对于VMD-GAT模型和GAT模型,均方根误差分别从14.1231和9.9136下降到2.2928,说明该模型达到较好的预测效果.
文献关键词：
交通流量预测;改进粒子群算法(IPSO);变分模态分解(VMD);图注意力网络(GAT);注意力机制
中图分类号：
作者姓名：
田帅帅;殷礼胜;何怡刚
作者机构：
合肥工业大学 电气与自动化工程学院,安徽 合肥 230009
文献出处：
引用格式：
[1]田帅帅;殷礼胜;何怡刚-.基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型)[J].合肥工业大学学报（自然科学版）,2022(02):176-185
A类：
变分模态算法
B类：
时空多维,VMD,GAT,Attention,短时交通流,组合预测模型,时空依赖性,空间建模,整合改进,变分模态分解,variational,mode,decomposition,图注意力网络,graph,attention,networks,注意力模型,模型搭建,时间维度,改进粒子群算法,improved,particle,swarm,optimization,IPSO,解交,组合模型,空间维度,解模,原交,空间信息,注意力机制,时空信息,信息权,该组,别下,交通流量预测
AB值：
0.27537
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
