高醇，王梦灵

基于特征融合图注意网络的高速公路交通流预测

高醇，王梦灵*

（华东理工大学 信息科学与工程学院，上海 200237）（ ∗ 通信作者电子邮箱wml_ling@ecust.edu.cn）

基于交通网络的实际时空拓扑，提出一种特征融合图注意网络（FF-GAT）模型融合节点获取的多种交通状态信息，预测高速公路交通流。首先，分析节点的车速、交通流和占有率之间的关联特征，并基于多变量时间注意力机制，将车速、交通流和占有率之间的关系融入注意力机制，从而捕捉交通流的不同时间之间的动态时间相关性；其次，将节点划分为不同的邻域集，并通过特征融合图注意网络（GAT）捕获交通流的不同邻域之间的空间相关性；同时，通过特征交叉网络充分挖掘多个异构数据之间的耦合相关性，为预测目标序列提供有效的信息补充。在两个公开交通流数据集上的实验结果表明：在PeMSD8数据集上，与ASTGCN（Attention based Spatial-Temporal Graph Convolutional Network）模型相比，FF-GAT模型的均方根误差（RMSE）降低了3.4%；与GCN-GAN（Graph Convolutional Network and Generative Adversarial Network）模型相比，FF-GAT模型的RMSE降低了3.1%。可见，FF-GAT模型能够通过特征融合有效提高预测精度。

高速公路交通流预测；图注意网络；注意力机制；特征交叉网络；时空拓扑

0 引言

准确的交通预测可以帮助交通管理部门制定合适的控制策略，更合理地引导车辆，有效缓解交通拥堵。与地面道路和城市快速路相比，高速公路具有特定的交通模式。高速公路的车辆行驶速度快且不间断，一旦发生拥堵或者交通事故，将严重影响通行能力。因此，预测高速公路的交通状态，及时发现交通状态的变化，辅助交通治理十分重要［1-3］。……