摘要
交通状态数据（如速度、流量和行程时间）通常通过广泛部署的交通监测传感器获取，为实现交通状态的预测及识别重要交通模式，需借助先进的网络级分析技术。本文基于加州交通局（Caltrans）性能测量系统（PeMS）开放基准平台提供的多样化交通状态数据集，构建并验证了一种具有优异性能的模型，其表现优于多个广受认可的时空预测模型。受人工智能（AI）领域中分层架构成功应用的启发，本文提出一种融合低层至高层长短期记忆网络（LSTM）的单元状态与隐藏状态，并引入注意力池化机制的分层结构，其设计思路类比于人类感知系统。该分层架构旨在捕捉不同时间尺度下的依赖关系，有效建模网络级交通状态的时空相关性，从而实现对所有交通走廊整体交通状态的预测，而不仅限于单一路段或路径。通过消融实验对所设计的基于注意力机制的LSTM模型的效率进行了系统分析。与基准LSTM模型的对比结果表明，所提出的分层注意力LSTM（HierAttnLSTM）模型不仅显著提升了预测精度，还能有效识别异常拥堵模式。本文已公开相关数据与代码，以支持可复现的科学研究。