摘要： 为及时、准确地预测交通流，解决精度低、高维特征缺失等问题，建立ＣＮＮＧＲＵＡＴＴ模型来对英国高速公路 交通数据进行预测。模型中的卷积层用来提取特征，ＧＲＵ层用于描述时间趋势，注意力层用于聚焦关键信息。输入 多个路段的短期交通流信息，考虑多路段之间的相互关联以及气象因素的影响。实验发现：该模型与支持向量回归 （ＳＶＲ）、长短期记忆网络（ＬＳＴＭ）、门控循环网络（ＧＲＵ）、ＣＮＮＧＲＵ、ＧＲＵＡＴＴ模型相比，模型精度更高，拟合优度达 到了９６．８９％，ＭＡＰＥ最高降低了２１．５５％；将多路段与单路段数据分别进行输入，发现前者能够更好地进行预测， ＭＡＰＥ降低了７．５６％。添加气象因素后模型精度有所提高，拟合优度达到了９７．０６％。

关键词: 注意力机制；多路段输入；卷积神经网络；门控循环网络

中图分类号: 

• ＴＰ３