【技术实现步骤摘要】
本专利技术涉及交通预测，具体涉及一种基于catst网络的短时交通拥塞预测方法。
技术介绍
1、短时交通拥塞预测指的是使用当前时刻的交通数据，对接下来的时刻做出交通状况的实时预测。国内外许多学者一直致力于交通预测领域的研究，如统计学中的谱分析法，基于机器学习的k邻域算法。使用这些方法进行交通流量的预测，虽在一定程度上提升了短时交通预测的准确性，但也不足以应对当下复杂的交通拥塞情景。近年来，随着深度学习的发展，rnn、lstm等模型被应用于短时交通的预测，大大提升了其预测效果。
2、卷积神经网络（cnn）尽管在空间相关性的数据如图像处理和计算机视觉领域表现出色，但缺乏在处理时间序列数据时需要具备的时间依赖性。对于时间序列数据，cnn没有内置的记忆能力，会忽略全局时间依赖关系，而短期预测通常需要对这种时间依赖关系有良好的理解。
3、长短期记忆网络（lstm）改善了传统的rnn模型存在的长期依赖信息问题，但是，交通数据不仅具有时间依赖性，还有显著的空间依赖性（即不同道路和区域之间的相互影响）。lstm主要设计用于捕捉时间...
【技术保护点】
1.一种基于CATST网络的短时交通拥塞预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CATST网络的短时交通拥塞预测方法，其特征在于，步骤（1）具体如下：对地图实时路况图进行拼接、剪切和处理获得原始数据，并通过遮罩层去除冗余信息后获得预处理后的数据集，数据集是具有三个RGB通道的图像分辨率为512 *512的图片。
3.根据权利要求1所述的一种基于CATST网络的短时交通拥塞预测方法，其特征在于，步骤（2）中，时空注意力模块用于空间维度进行特征提取，由一个最大池化层、一个平均池化层、一个卷积层以及一个sigmoid激活...
【技术特征摘要】
1.一种基于catst网络的短时交通拥塞预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于catst网络的短时交通拥塞预测方法，其特征在于，步骤（1）具体如下：对地图实时路况图进行拼接、剪切和处理获得原始数据，并通过遮罩层去除冗余信息后获得预处理后的数据集，数据集是具有三个rgb通道的图像分辨率为512 *512的图片。
3.根据权利要求1所述的一种基于catst网络的短时交通拥塞预测方法，其特征在于，步骤（2）中，时空注意力模块用于空间维度进行特征提取，由一个最大池化层、一个平均池化层、一个卷积层以及一个sigmoid激活函数组成；具体如下：
4.根据权利要求1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。