面向交通流量预测的时空Graph-CoordAttention网络
交通预测是城市智能交通系统的一个重要研究组成部分,使人们的出行更加效率和安全.由于复杂的时间和空间依赖性,准确预测交通流量仍然是一个巨大的挑战.近年来,图卷积网络(GCN)在交通预测方面表现出巨大的潜力,但基于GCN的模型往往侧重于单独捕捉时间和空间的依赖性,忽视了时间和空间依赖性之间的动态关联性,不能很好地融合它们.此外,以前的方法使用现实世界的静态交通网络来构建空间邻接矩阵,这可能忽略了动态的空间依赖性.为了克服这些局限性,并提高模型的性能,提出了一种新颖的时空Graph-CoordAttention网络(STGCA).具体来说,提出了时空同步模块,用来建模不同时刻的时空依赖交融关系.然后,提出了一种动态图学习的方案,基于车流量之间数据关联,挖掘出潜在的图信息.在4个公开的数据集上和现有基线模型进行对比实验,STGCA表现了优异的性能.
交通流量预测、时空预测、图卷积网络、注意力机制、时空依赖
50
TP181(自动化基础理论)
2023-09-06(万方平台首次上网日期,不代表论文的发表时间)
共7页
558-564