基于自注意力机制与图自编码器的路网交通流数据修复模型

摘要：

针对城市交通流数据修复问题,提出一种基于图卷积网络和多头自注意力机制的自注意力图自编码器模型.该模型包括基于拓扑图结构和图信号捕获交通流时空关联性的STGCN(Spatial-temporal Graph Convolutional Networks)网络.在该网络中使用LSTM(Long Short-Term Memory)网络学习数据中时序规律,通过注意力网络计算道路自注意力及一阶临近道路注意力系数,用图卷积网络对图信号重组,达到对缺失数据的精确修复.同时,采用多头自注意力网络计算数据的注意力权值并对数据重组,捕获交通流数据中的二阶及高阶临近道路空间关联性,提取已知数据与缺失数据的时间关系,以残差链的形式加入到模型中,作为对STGCN功能的补充.基于真实数据的实验表明,在多种缺失模式和缺失率下,该模型能够学习路网拓扑关系,捕获数据中的时间规律性和时空关联性,有效地修复缺失数据.

关键词：智能交通;交通流数据修复;图卷积网络;城市路网交通流数据;自注意力机制

所属期刊栏目：21

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家自然科学基金/National Natural Science Foundation of China71971116

在线出版日期：2021-09-01（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：90-98