10.19678/j.issn.1000-3428.0063680
基于时空联合学习的城市交通流短时预测模型
时空联合分析可反映研究对象在时空维的变化规律,对揭示区域过程的时空交互关系和机制具有重要意义.聚焦时空联合特征的学习与交通流物理特性的建模问题,提出一种层次化的动态网络模型JST-DHNet,以融合不同尺度下的时空联合学习与内嵌领域知识学习.利用基于图乘积运算替代以往矩阵拼接方式构建多种时空图结构.结合时空小波变换与时空傅里叶变换,设计2种不同层次的时空同步学习模块,分别学习交通流的全域与局域时空特征.针对交通流的宏观流体动力学性质,通过基于图的广义偏微分方程设计一种新的时空扩散卷积,以学习真实场景下的交通波传播机制.在此基础上,采用注意力机制将不同尺度的时空联合特征进行融合.在4种不同路网规模的真实交通流数据集上进行测试,结果表明,JST-DHNet的预测性能优于采用时空分离式学习模块的预测模型,相比STSGCN时空联合学习模型,JST-DHNet预测精度的平均绝对百分比误差、平均绝对误差和均方根误差分别降低4.46%、6.65%、10.11%,且训练时间缩短近80%.
智能交通系统、时空域联合、交通流预测、图信号处理、交通流理论
49
TP391(计算技术、计算机技术)
国家自然科学基金;上海市科技攻关项目
2023-01-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
270-278