Traffic Flow Prediction and program codes

This dataset mainly consists 1) source codes of wide-attention and deep model (WADC); 2) datasets to evaluate the performance of the proposed model. Datasets are obtained from the Caltrans Performance Measurement System (CPeMS) http://pems.doc.ca.gov; and Fremont Bridge Bicycle Counter (FBBC), https://data.seattle.gov.For more details, please refer to our paper entitled "Wide-Attention and Deep-Composite Model for Traffic Flow Prediction in Transportation Cyber-Physical Systems", accepted to appear in IEEE Transactions on Industrial Informatics and githubhttps://github.com/zhoujunhao/wadc.

本数据集主要包含两部分：1）宽注意力深度复合模型（Wide-Attention and Deep Composite Model, WADC）的源代码；2）用于评估所提模型性能的数据集。本数据集的数据采集自加州交通局性能测量系统（Caltrans Performance Measurement System, CPeMS，访问网址：http://pems.doc.ca.gov）以及弗里蒙特大桥自行车计数系统（Fremont Bridge Bicycle Counter, FBBC，访问网址：https://data.seattle.gov）。如需了解更多细节，请参阅我们题为《面向交通信息物理系统的交通流预测宽注意力深度复合模型》的论文，该论文已被《IEEE工业信息学汇刊》（IEEE Transactions on Industrial Informatics）录用并将刊载，相关开源代码可访问GitHub仓库：https://github.com/zhoujunhao/wadc。

搜集汇总

背景与挑战

背景概述

该数据集主要用于交通流量预测，包含宽注意力深度模型（WADC）的源代码以及来自Caltrans Performance Measurement System (CPeMS)和Fremont Bridge Bicycle Counter (FBBC)的评估数据。其特点在于采用深度学习技术（如卷积神经网络、长短期记忆和注意力机制），旨在提高交通网络物理系统中的预测准确性，适用于交通领域的研究和应用开发。