基于时空图卷积循环神经网络的交通流预测

摘要：

针对交通流预测模型中路网空间结构刻画和交通流时空特性挖掘不充分的问题,构建一种新型的有向时空图,通过定义节点相对临近度来表征路网结构关系,通过学习邻域节点对预测节点的影响权重来表征节点间时空维度的作用关系,从而能更好表达交通流的时空特性.将时空图作为预测模型的输入,采用图卷积获取交通流数据空间依赖关系,采用门控循环神经网络获取交通流数据的时空依赖关系,建立一种基于时空图卷积循环神经网络的交通流预测模型(STG-CRNN).在美国公路交通数据集上对模型预测效果进行验证,其结果表明:STG-CRNN模型的预测结果在平均绝对误差、均方根误差和平均绝对百分误差方面,均优于自回归移动平均模型、门控循环单元模型,以及扩散卷积循环神经网络模型.

关键词：交通流预测;有向时空图;相对临近度;时空依赖性;图卷积网络;循环神经网络

所属期刊栏目：37

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金;重庆市教委科学技术研究项目

在线出版日期：2022-02-22（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：645-653