基于LC-Transformer模型的高速公路短时交通流预测OA

随着城市经济的迅猛发展和私家车保有量的持续增加,城市交通流的准确预测对缓解交通拥堵、提高出行效率及保障交通安全有着重要意义。传统的交通流预测方法在处理复杂的时空动态关系和天气、交通事故等外部因素影响时,往往依赖线性假设或静态模型,难以同时刻画交通流中非线性时空演化机制与多因素信息的融合特征,导致预测精度和泛化能力受限。为此,本文提出一种基于LC-Transformer模型的短时交通流预测方法。该模型结合了长短期记忆网络(LSTM)、条件变分自编码器(CVAE),以及交通历史事故、流量、天气数据,旨在更好地捕捉交通流中的非线性关系、时空动态性及多因素融合特征,提升对复杂交通场景的适应性和预测准确性。实验结果表明,LC-Transformer模型能够考虑多因素特征数据,与随机森林(RF)、扩散卷积循环神经网络(DCRNN)、时空图卷积网络(STGCN)等多个模型相比,平均绝对误差、均方根误差及平均绝对百分比误差3个评价指标平均降低了3.340 3、5.419 7和0.022 0,提高了交通流预测的精度和鲁棒性。