利用基于优化轮图注意力（Optimized Wheel-Graph Attention）的神经网络，在不同天气条件下进行长期和短期交通流量预测

《Future Generation Computer Systems》：Long-Term and Short-Term Traffic Flow Prediction with Different Weather Conditions using Optimized Wheel-Graph Attention based Neural Network

准确交通流预测在智能交通系统中至关重要，尤其在恶劣天气下。传统模型难以同时捕捉时空依赖和环境因素，本研究提出轮图注意力基 bidirectional LSTM 模型结合增强菲克定律算法，通过稀疏非负矩阵分解提取特征、混合巨人旗鱼优化器筛选特征、技能开普勒融合策略动态对齐交通与天气数据，实验显示 MAE 5.25%、RMSE 8.91、准确率 95%，较基线模型提升 35-40%。分隔符：

　　随着城市化进程的加快，交通流预测成为智能交通系统（ITS）中的关键课题。准确的交通流预测不仅有助于缓解交通拥堵，还能提升出行效率、优化交通管理以及改善城市规划。然而，在复杂的现实环境中，传统的预测方法往往面临诸多挑战。例如，大多数模型主要依赖于历史交通数据，忽视了天气等外部因素的影响，导致预测结果在面对突发变化时不够准确。此外，现有的模型在不同时间尺度（如短期、中期和长期）上的适应性有限，难以同时满足多种预测需求。这些局限性使得智能交通系统在应对天气变化带来的不确定性时面临较大困难。

为了解决上述问题，本研究提出了一种创新的混合方法——基于轮图注意力机制的双向长短期记忆网络（WGABN）结合增强的菲克定律算法（EFA）。该方法融合了稀疏非负矩阵分解（SNMF）用于特征提取，混合巨 Trevally 优化器（HGTO）用于特征选择，以及基于技能开普勒的融合策略（ESKF）用于交通与天气数据的稳健结合。通过这些技术的协同作用，该模型能够在多种天气条件下实现更精确的交通流预测，其预测精度显著优于现有方法。

在实际应用中，交通流预测不仅涉及对交通数据的处理，还需要对天气数据进行有效整合。例如，天气变化可能会影响道路通行能力、车辆行驶速度以及交通模式。因此，为了提高预测的准确性，模型需要能够动态捕捉这些外部因素的影响，并在不同时间尺度上进行灵活调整。本研究提出的 WGABN 与 EFA 模型，正是针对这一需求设计的。该模型通过引入轮图结构，能够更高效地捕捉交通数据中的空间依赖关系，避免了传统多跳图网络所带来的高计算复杂度。同时，增强的菲克定律算法（EFA）能够在训练过程中动态调整优化参数，从而在探索与利用之间取得平衡，实现更稳定的收敛。

在数据处理方面，本研究采用了系统化的预处理流程。首先，收集交通流数据，包括设备编号、设备类型、时间占用率、采集时间、车道、交通量、交通速度（以车辆为单位）以及车辆类型等信息。同时，获取天气数据，包括每日最低和最高温度以及天气状况。通过数据清洗和预处理，确保数据的质量，消除影响分析的噪声和误差。这些步骤为后续的模型训练和预测奠定了坚实的基础。

在模型架构方面，WGABN 与 EFA 结合了双向长短期记忆网络（BiLSTM）和注意力机制，能够同时捕捉交通数据中的时间依赖性和空间依赖性。此外，稀疏非负矩阵分解（SNMF）用于提取交通流的紧凑特征，而混合巨 Trevally 优化器（HGTO）则用于优化特征选择，确保模型能够专注于最重要的交通和天气变量。通过这些方法的结合，模型能够在复杂的交通环境中实现更精确的预测。

在训练过程中，本研究采用了验证集和测试集的划分方式，以确保模型的泛化能力和避免过拟合。具体而言，数据集被分为 70% 用于训练，15% 用于验证，15% 用于测试。在验证集上进行超参数调优，并使用早停机制来防止模型在训练过程中过度拟合训练数据。测试集则用于最终评估模型的预测性能。此外，模型的训练过程还引入了基于技能开普勒的融合策略（ESKF），该策略能够动态对齐交通和天气变量，确保模型在面对不同天气条件时仍能保持较高的预测精度。

实验结果表明，本研究提出的 WGABN 与 EFA 模型在多个指标上表现优异。例如，模型在短期、中期和长期预测任务中的平均绝对误差（MAE）分别为 5.25%、8.91 和 95%。相比之下，传统方法的 MAE 值通常在 12% 到 19% 之间，远高于本研究提出的模型。这一显著的性能提升表明，该模型在处理复杂交通流和天气变化方面具有较强的优势。此外，模型在不同时间尺度上的预测能力得到了验证，其预测精度相比现有方法提高了 35% 到 40%。

值得注意的是，尽管一些研究已经尝试将天气因素纳入交通流预测中，但这些方法在整合范围和时间适应性方面仍存在不足。例如，一些研究仅关注有限的天气变量，而另一些则专注于长期趋势，忽略了短期和中期预测的需求。相比之下，本研究提出的 WGABN 与 EFA 模型能够同时处理不同时间尺度的预测任务，并且对天气变化具有较高的适应性。这使得该模型在实际应用中更加稳健和可靠。

在实际应用中，交通流预测模型需要能够处理大规模数据，并在不同场景下保持较高的预测精度。例如，城市交通系统通常面临复杂的交通模式和多变的天气条件，这要求模型具备较强的泛化能力和适应性。本研究提出的模型通过引入轮图结构和增强的菲克定律算法，能够有效应对这些挑战。此外，模型的训练过程采用了基于技能开普勒的融合策略，确保在面对不同天气条件时，模型能够动态调整预测策略，从而实现更精确的预测结果。

从技术角度来看，本研究提出的方法在多个方面具有创新性。首先，稀疏非负矩阵分解（SNMF）能够提取交通数据中的关键特征，提高模型的表达能力。其次，混合巨 Trevally 优化器（HGTO）用于优化特征选择，确保模型能够专注于最重要的变量，提高预测的准确性。第三，基于技能开普勒的融合策略（ESKF）能够动态对齐交通和天气数据，提高模型在面对天气变化时的适应性。这些技术的结合使得模型在复杂环境中具有更强的鲁棒性。

此外，本研究还探讨了模型在不同时间尺度上的表现。例如，在短期预测中，模型能够捕捉交通流的即时变化，而在中期和长期预测中，模型则能够识别交通模式的趋势和周期性。这种多时间尺度的适应性使得模型在实际应用中更加灵活，能够满足不同场景下的预测需求。例如，在高峰时段，模型可以用于短期预测，以优化交通信号控制；而在城市规划阶段，模型可以用于长期预测，以评估交通发展趋势和应对措施。

在实际应用中，模型的预测结果可以用于多种目的。例如，交通管理部门可以利用模型的预测结果来优化交通信号控制、调整道路通行策略以及制定应急措施。此外，出行者可以利用模型的预测结果来规划行程、选择最佳出行方式以及避免拥堵路段。这些应用表明，本研究提出的模型在智能交通系统中具有广泛的实用价值。

在模型的实现过程中，本研究采用了 Python 编程语言，并使用 MinMax 标准化方法对数据进行预处理。这一标准化方法能够确保数据的尺度一致性，提高模型的训练效率。此外，模型的训练过程还采用了基于技能开普勒的融合策略（ESKF），该策略能够动态对齐交通和天气数据，提高模型在面对天气变化时的适应性。通过这些方法的结合，模型能够在复杂环境中实现更精确的预测结果。

本研究提出的模型在多个方面具有显著优势。首先，模型能够同时捕捉交通流的时间依赖性和空间依赖性，提高预测的准确性。其次，模型能够有效整合天气等外部因素，提高预测的鲁棒性。第三，模型在不同时间尺度上的表现良好，能够满足多种预测需求。这些优势使得模型在实际应用中更加可靠和实用。

从研究的意义来看，本研究提出的 WGABN 与 EFA 模型不仅在技术上具有创新性，还在实际应用中展现出较高的价值。该模型能够为智能交通系统提供一种更加精准和灵活的解决方案，帮助交通管理部门更好地应对天气变化带来的挑战。此外，该模型的预测结果可以用于优化交通管理策略、提高出行效率以及改善城市规划，具有广泛的应用前景。

在未来的研究中，可以进一步探索该模型在不同城市环境下的适用性。例如，不同城市的交通结构和天气条件可能存在较大差异，因此需要针对不同城市进行模型的优化和调整。此外，还可以研究该模型在不同交通模式下的表现，例如在公共交通、私家车和非机动车等不同出行方式下的预测效果。这些研究将有助于进一步提升模型的适用性和预测精度。

总之，本研究提出的 WGABN 与 EFA 模型为交通流预测提供了一种新的思路和方法。该模型结合了多种先进的技术，能够有效应对交通流预测中的复杂性和不确定性，提高预测的准确性。在实际应用中，该模型能够为交通管理部门和出行者提供更加精准和可靠的预测结果，具有重要的研究价值和应用前景。未来的研究将继续探索该模型的优化和扩展，以进一步提升其在智能交通系统中的性能。