基于深度学习的城市出行智能交通拥堵框架（DLUMIS-TCF）

《Scientific Reports》：Explainable artificial intelligence of things integrated spatio-temporal feature modeling for traffic congestion framework on intelligent urban mobility system

　　

摘要

人工智能物联网（AIoT）的最新发展正在改变工业4.0、智慧城市、智慧医疗和智能交通等多个领域。AIoT可应用于城市出行，实现交通领域的实时监测和智能决策。交通拥堵分类是智能交通系统（ITS）的一个重要方面，因为城市人口的增加导致了复杂的交通拥堵问题，影响了空气质量、道路安全和出行时间。准确分类拥堵模式有助于改善交通管理和减轻环境影响。然而，由于交通模式的复杂性、非线性和动态性，准确预测拥堵的蔓延仍然存在困难。随着深度学习的进步，亟需高效的模型来解决智能城市出行系统中的挑战。因此，本研究提出了一种基于深度学习的城市出行智能交通拥堵框架（DLUMIS-TCF）。所提出的DLUMIS-TCF模型分析带有行程级别记录的城市出行数据，以进行精确的交通拥堵等级分类。预处理阶段包括缺失值处理、异常值检测、特征缩放、时间属性提取和空间坐标利用，以有效学习的数据准备。在特征选择方面，模型利用弹性网络从数据集中选择相关的时空特征。此外，交通拥堵等级分类采用异构时空图注意力网络完成。并且，采用AdaBelief优化器对模型进行优化，以提高收敛性和性能。为了提高模型的可解释性，使用SHAP来解释输入特征对分类结果的贡献。为评估所提出的DLUMIS-TCF模型的性能，实验基于从Kaggle仓库获取的城市出行智能数据集进行。实验结果表明，与其他方法相比，所提出的模型在预测交通拥堵方面具有有效性。因此，所提出的DLUMIS-TCF方法可用于城市交通管理、拥堵控制和智能交通系统。