探索站点时空移动模式:长短期交通预测框架

摘要：

随着智慧城市系统的技术发展与城市时空数据的急剧增加,公共服务需求也日益受到重视.公共交通作为城市交通中至关重要的组成部分,同样面临着巨大的挑战,并且交通网络的时空预测任务往往是解决各种交通问题的核心一环.交通中的移动模式可以体现城市人群的出行行为及其规律,大多数交通预测任务研究中,移动模式的重要性经常被忽视.针对现有工作的问题,提出了一种多模式的交通预测框架(MPGNNFormer),使用基于图神经网络的深度聚类的方法提取站点的移动模式,并设计了 一种基于Transformer的时空预测模型,在充分利用时间依赖关系和空间依赖关系的同时,提高了计算效率.在现实的公交车数据集上展开了 一系列实验以进行评估和测试,包括移动模式的分析和预测结果对比,实验结果证明了所提方法在交通网络的长短期交通预测上的有效性.最后讨论了所提方法可扩展性.

关键词：时空数据挖掘、长短期交通预测、移动模式、深度学习

所属期刊栏目：50

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;浙江省自然科学基金项目

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：98-106