基于混合多模态深度学习框架的交通量预测

吴文平，高铭悦

(宿州学院 信息工程学院，安徽 宿州 234000)

0 引言

随着城市化的推进和机动车数量的快速增长，城市和景区每年的拥堵情况逐年严重，造成时间和燃料的浪费，也带来了环境污染和一系列的安全问题，同时致使交通网络效率低下，如表1所示[1]。因此，城市和景区交通流的预测研究有着重要的意义。

表1 2020年第二季度全国百城交通拥堵排名TOP10的城市

对交通拥堵的早期研判和对交通流的预测是指导交通管理科学决策的重要依据，是实现智能交通的关键，是智能交通的重要辅助手段[2]。在过去的几十年中，学者们尝试用数学方程和模拟技术来预测交通流，但是由于交通流的预测受天气、节假日和时空关联性等外界因素的影响，传统的数学模型和浅层学习算法很难准确地描述交通网络，所以交通流的预测存在很大的不确定性。随着物联网的发展和交通数据采集技术的广泛应用，交通流预测已经进入大数据时代。

交通流的预测越来越依赖各类传感器及其采集的相关多模态数据，如交通量、速度、行程时间、密度、天气和事故等。但传统模型不能很好地预测交通量，因此交通量预测模型需要数据驱动[3]。近些年深度学习在图像处理和自然语言处理等方面都取得了极大的进展，交通量的预测需要综合时间、空间和天气等多个模态数据进行分析，本文在多模态深度学习框架的基础上，从多个层次自动提取相关数据，利用……