15、交通流量预测：BuildSenSys模型的性能评估与应用探讨

交通流量预测：BuildSenSys模型的性能评估与应用探讨

1. 交通流量预测方法概述

交通流量具有相对稳定的每日和每周模式，但像HA方法在预测不规则模式的交通流量时，如遇到节假日、极端天气和社会事件，会产生较多误差，预测结果不尽如人意。

而基于循环神经网络（RNN）的方法，如LSTM、Seq2Seq和Seq2Seqw/attn，表现较为出色，其平均绝对误差（MAE）低于70，均方根误差（RMSE）低于90。具体而言，LSTM和Seq2Seq的性能相近，但在道路D和道路A的平均绝对百分比误差（MAPE）指标上，Seq2Seq分别比LSTM高出2.35%和2.43%。

Seq2Seq模型基于编码器 - 解码器架构，将输入的交通流量数据编码为特征向量，解码器再迭代生成固定长度的预测结果。不过，当输入序列数据长度增加时，编码器 - 解码器网络的性能会迅速下降。BuildSenSys和Seq2Seqw/attn都应用了时间注意力机制，其解码器可以自适应地选择最相关的编码器隐藏状态，从而提高预测准确性。与具有128个隐藏状态的模型相比，具有512个隐藏状态的Seq2Seqw/attn和BuildSenSys能大幅提升预测准确性。此外，BuildSenSys的跨域注意力机制进一步挖掘了建筑占用率与交通流量之间的相关性，使其预测准确性得到进一步提升。与Seq2Seqw/attn相比，BuildSenSys在MAE和RMSE上分别提高了32.3%和37.8%。总体而言，BuildSenSys在预测附近交通流量方面超越了所有基线方法，准确率提高了多达65.3%（如MAPE降低了2.2%）。

2. 参数对BuildSenSys性能的影响

2.1 隐藏状