为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据...为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征;引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明:TSARGCN在交通流量预测中的平均绝对误差(MAE)达到19.24,均方根误差(RMSE)达到27.09,比ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及ASTGCN(Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。展开更多
文摘为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征;引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明:TSARGCN在交通流量预测中的平均绝对误差(MAE)达到19.24,均方根误差(RMSE)达到27.09,比ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及ASTGCN(Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。
