-
题名基于全局时空图卷积神经网络的城市交通流量预测
- 1
-
-
作者
王佳昊
黎文斌
郭仕尧
向平
-
机构
电子科技大学信息与软件工程学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第S02期534-542,共9页
-
基金
电子科技大学-智小金-智能家居联合研究中心项目(H04W210180)
内江市科技孵化和成果转化专项资金(2021KJFH004)
+1 种基金
四川省科技支撑计划项目(2022YFG0212,2021YFG0024)
泸州市科技计划项目(2022-XDY-192)。
-
文摘
交通流量预测在智能交通系统(ITS)中发挥着重要作用,将城市中复杂的时空相关性高效且全面地提取出来是交通流量预测中面临的关键挑战。交通速度不仅在时间维度上具有短期和长期周期性依赖关系,而且在空间维度上具有局部和全局依赖性,现有方法对捕获交通数据的时空依赖关系有一定的局限。为此,文中提出了一种基于全局时空图卷积神经网络(Global Spatial-Temporal Graph Convolutional Network,GSTGCN)的深度学习模型,用于解决在城市交通速度预测的局限性。该模型中存在3种时空分量,可相应地对交通数据中的近期、天周期、周周期这3种不同的时空相关性进行建模。每个时空分量都由时间模块和空间模块组成,时间模块为了更好地获取交通数据的时间维度信息,引入了Informer机制以自适应地分配特征权重。空间模型为了更好地获取交通数据的空间关系,引入了图卷积神经网络来提取交通数据的局部和全局空间信息。在两个不同的真实数据集上进行了测试,结果表明所提出的GSTGCN优于最先进的基线模型。
-
关键词
交通流量预测
全局时空图卷积网络
时空依赖性
-
Keywords
Traffic flow prediction
Global spatiotemporal graph convolutional neural network
spatiotemporal dependence
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
