摘要:
针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络(GCN)与门控循环单元(GRU)组合短时交通流预测模型。利用全球通信网络对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用图形SAGE模型,通过加和聚合算子和图注意力机制(关贸总协定)聚合空间特征,将包含空间特征的输出作为GRU公司模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有全球通信网络的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。
陈丹蕾,陈红,任安虎. 考虑时空影响下的图卷积网络短时交通流预测[J] ●●●●。计算机工程与应用, 2021, 57(13): 269-275.
陈丹雷、陈红、任安虎。考虑时空影响的图卷积网络短时交通流预测[J]。计算机工程与应用,2021,57(13):269-275。