计算机科学››2024,第51卷››问题(5): 27-34.数字对象标识:10.11896/jsjkx.230100086
•数据库、大数据和数据科学• 以前的文章 下一篇文章
BAO凯南1,2,3、张俊波1,2,3,宋丽2,3,李天瑞1
收到:
修订过的:
在线:
出版:
关于作者:
支持单位:
摘要:交通流预测在智能交通系统中发挥着极其重要的作用。准确的交通流量预测不仅有利于交通管理,而且可以为人们提供适当的出行计划。然而,这是非常具有挑战性的,主要困难在于如何捕获复杂的空间和时间相关性。近年来,主要基于卷积神经网络的深度学习方法已成功应用于交通预测任务。然而,卷积神经网络主要关注数据中空间特征的提取和集成,因此很难充分挖掘复杂的时空相关性。此外,单层卷积网络只能捕获局部空间相关性,有必要堆叠多层卷积网络来捕获全局空间相关性,这将减慢整个网络模型训练的收敛速度。为了解决这些问题,提出了一种用于流量预测的全局感知时空网络模型(ST-WaveMLP),该模型主要采用基于多层感知器的可重复结构ST-Wave Block来捕获复杂的时空相关性。ST-WaveBlock具有良好的时空表示学习能力,通常只使用2~4个ST-Wave Block堆栈来有效捕获数据中的时空相关性。最后,对四个实际交通流数据集的实验验证表明,ST-WaveMLP具有更好的收敛性和更好的预测精度,与以前的最佳方法相比,预测精度和模型收敛速度分别提高了9.57%和30.6%。
关键词: 交通流量预测, 时空相关性, 时空深度学习, 时空数据挖掘
CLC编号:
鲍凯南,张俊波,宋莉,李天瑞。ST-WaveMLP:用于交通流预测的时空全球软件网络[J]。计算机科学,2024,51(5):27-34。
0 / / 推荐
添加到引文管理器 尾注|样板客户经理|项目|BibTeX公司|参考Works
网址: https://www.jsjkx.com/EN/10.11896/jsjkx-230100086
https://www.jsjkx.com/EN/Y2024/V51/I5/27
引用