10.19734/j.issn.1001-3695.2022.06.0307
基于图卷积网络的交通路口流量预测模型
交通流量预测是建设智慧城市中一项重要性高且挑战性大的任务.准确预测需要考虑如节假日、相似节点和天气等多种影响因素组成的时空特征.为了准确捕获到路网路口的时空特征,提出了一种基于图卷积神经网络、时序算法Prophet和Pearson相关系数的预测模型,以实现考虑空间结构、相似节点、节假日及其他影响因素对路口流量的准确预测.首先,为降低相似节点影响引入Pearson相关系数,改进时序算法,实现时间特征的捕捉;然后,采用图卷积神经网络实现空间特征的捕捉;最后,通过线性回归确定图卷积网络和时序算法的融合权重,得到时空融合预测的结果.最终基于成都市出租车轨迹数据分析提取出路口流量数据,并进行了流量预测实验.结果表明,提出的模型准确性优于大多现有的基线方法,与T-GCN、ASTGCN、AGCRN模型相比,MAE分别降低了 1.623、0.724、0.161,精度分别提高了 0.144、0.068、0.021,验证了该模型在交通路口流量预测中的有效性.
交通流量预测、出租车轨迹数据、城市路网、时空模型
40
TP399(计算技术、计算机技术)
国防基础计划科研项目;国家自然科学基金
2023-03-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
440-444