10.19678/j.issn.1000-3428.0060164
基于时空信息融合学习的路段行程车速短时预测
路段行程车速的变化受时间和空间维度信息的综合影响,多数神经网络模型仅从时间维度上预测路段行程车速的变化规律,未能全面考虑路网结构和上下游交通状态对路段行程车速的影响.结合图卷积网络和门控循环单元构建深度学习模型,挖掘路段行程车速的时空特性.通过在线地图平台获取路段实时行程车速,使用等维递补方法更新历史序列数据,提高预测实时性.在深圳市部分区域路网上的实验结果表明,该模型的多步预测精度均在90%以上,相比自回归积分滑动平均模型、支持向量机回归模型和门控循环单元模型最高提升了6.9%、1.3%和0.4%,具有更优的路段行程车速预测效果.
短时预测;图卷积网络;门控循环单元;时空相关性;在线地图;等维递补
47
TP391.4(计算技术、计算机技术)
国家自然科学基金;江西省自然科学基金;江西省教育厅科研项目
2021-12-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
78-86