基于注意力增强图卷积变换器网络（AGC-T）的交通流量预测

《The Aeronautical Journal》：Sector traffic flow prediction based on the attention-improved graph convolutional transformer network (AGC-T)

　　交通流量预测模型AGC-T通过注意力机制和图卷积Transformer结合，在时空维度上优化了空域交通流预测的准确性和实时性。实验表明，相比GCN和GRU模型，AGC-T在15分钟和单周预测任务中RSME、MAE和R2分别提升45.16%、46.78%、2.63%和37.12%、40.54%、3.55%，显著提高了预测性能，为空管服务提供商制定科学交通管理措施提供技术支撑。

　　

摘要

提高扇区交通流预测的准确性和实时性能对空中交通管理决策具有重要意义。扇区在复杂的空间结构和时间维度下运行。一些神经网络方法采用序列顺序逐步传输信息，这使得难以实现完全的并行训练。不仅训练时间过长，导致训练效率低下，而且容易丢失长序列数据中的有效相关性信息。为此，提出了一种基于注意力增强图卷积变换器（AGC-T）网络的扇区交通流预测方法，以改进当前的扇区交通预测问题。首先，将扇区的图结构信息和历史交通数据输入到基于注意力机制改进的图卷积网络中，以充分捕捉以扇区为节点的空间关系。结合变换器的多头自注意力机制，可以直接关注任何位置的序列数据，而无需逐步传输信息。这不仅通过并行训练提高了效率，而且编码器-解码器结构还可以挖掘交通数据中的信息特征，专注于关键节点的交通数据特征，从而更准确地预测扇区交通流量。最后，以中国中部和南部典型地区的扇区运行交通数据为例分析该模型。结果表明，与其他预测模型相比，AGC-T模型在15分钟单日交通预测任务中的$RSME$$MAE$${R^2}$分别比GCN模型高出45.16%、46.78%和2.63%；在单周交通预测任务中，这些指标分别比GCN模型高出41.74%、35.27%和1.20%，比GRU模型高出35.15%、35.17%和0.65%，显示出更好的预测性能。这项研究将帮助空中导航服务提供商（ANSP）更准确地预测扇区交通流量，从而实施更加科学合理的交通管理措施。

---

---