基于门控循环图卷积网络的交通流预测

摘要：

交通流预测在智能交通系统的建设中起着关键性的作用,然而现有预测方法无法准确地挖掘其潜在的时空相关性,而且大多采用全连接网络进行单步预测.为了进一步挖掘数据的时空特性以及提升长短期预测的精度,提出了一种门控循环图卷积网络(GR-GCN)模型.首先,利用频域上的图卷积结合门控循环单元(GRU)构建一个时空组件(STC)以同时捕获节点的时空相关性,充分地提取数据的时空特征;然后,利用该时空组件构成编码器单元,并将时间序列数据和路网结构数据输入其中;最后,使用门控循环单元作为解码器单元,并按照时间顺序将两者组成一个编码器—解码器(encoder-decoder)结构,依次解码出每个时刻的预测结果.在加利福尼亚交通局(Caltrans)性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验.结果表明,所提模型GR-GCN在预测未来15 min、30 min、45 min和60 min的交通流量方面优于大多数现有基准模型,尤其是在长期预测方面.

关键词：交通流量预测、图卷积网络、门控循环单元、编码解码结构

所属期刊栏目：39

分类号：TP183(自动化基础理论)

资助基金：四川省重点研发计划资助项目;四川省重点研发计划资助项目;四川省重点研发计划资助项目;四川省重点研发计划资助项目

在线出版日期：2022-08-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2301-2305