摘要：短时交通流预测在智慧化交通的管理和调度中发挥着至关重要的作用。为更加准确的进行短时交通流预测，针对iTransformer神经网络并行结构框架在捕捉时间位置特征和隐藏时间特征方面存在的不足，引入时间季节性信息与位置编码来获取数据位置信息与时序特征；鉴于iTransformer模型在处理交通流中的短时波动和频率变化时的不足，提出了基于一维小波卷积变换网络（Wavelet Transform Convolution 1D，WTConv1D）的卷积提取模块，通过卷积机制增强模型对交通数据中复杂频率成分的感知和利用能力；同时考虑到短时交通流预测具有强时序性且模型计算复杂问题，引入傅里叶卷积混合机制（Fast Fourier Convolution Mixer，FFCM），替换原始iTransformer模型的Feed-Forward模块以提取邻域时序特征、获取周期性和全局依赖特征并降低计算复杂度，从而提高WTC-iFCMformer模型预测的精度和速度。在实验部分，采用明尼苏达德卢斯大学交通实验室平台获取的交通流数据，通过对比、消融和泛化实验，在MAE、MAPE、RMSE、R2、平均收敛轮数和耗时六个指标对预测结果进行对比分析。实验结果表明，WTC-iFCMformer在多个指标上均取得了最优结果，为复杂交通场景下的实时预测与调度提供了高效且准确的解决方案。
文章目录
1 短时交通流时间季节性信息与位置编码
2 基于WTC-iFCMformer的短时交通流预测建模
2.1 WTC
2.2 FFCM
2.3 短时交通流预测步骤
3 算例分析
3.1 实验数据集的标准化处理
3.2 评价指标的选择
3.3 WTC-iFCMformer模型参数调优
3.4 对比实验
3.5 消融实验
3.6 泛化实验
4 结论
