基于自适应门控图神经网络的交通流预测

摘要：

交通流预测是智能交通系统中的重要组成部分,由于交通数据的复杂性,长期而又准确的交通流预测一直是时间序列预测中最具挑战性的任务之一.近年来,研究人员将基于图神经网络的时空图建模方法应用于交通流预测任务,并取得了良好的预测性能.然而,现有的图建模方法仅通过预定义的邻接结构反映道路网络中的空间依赖关系,忽略了各节点之间的序列关联关系对预测的重要性.针对这一局限性,提出了一种自适应门控图神经网络(Ada-GGNN),其核心为通过空间传递模块同时捕获道路网络的空间结构及自适应的时序相关性,并通过门控机制学习节点上的时间序列特征.在两个真实交通网络数据集PeMSD7和Los-loop上的实验结果证明了该模型具有更优越的性能.

关键词：交通流预测、时空图、自适应门控图神经网络、时序相关性

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;四川省科技计划资助项目;西南石油大学科研创新能力提升计划启航项目

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：2306-2310