ST-WaveMLP:面向交通流量预测的时空全局感知网络模型

doi:10.11896/jsjkx.230100086

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

ST-WaveMLP：用于交通流预测的时空全球软件网络

BAO凯南^1,2,3、张俊波^1,2,3，宋丽^2,3，李天瑞¹

1西南交通大学计算与人工智能学院，成都611756
2京东iCity，京东科技，中国北京100176
3京东智能城市研究中心，中国北京100176

收到：2023-01-16 修订过的：2023-06-20 在线：2024-05-15 出版：2024-05-08
关于作者：鲍凯南，1996年出生，博士后。他的主要研究兴趣包括时空数据挖掘和城市计算。
张俊波，1986年生，博士，中共中央党员（第21344S号）。他的主要研究兴趣包括时空数据挖掘、城市计算和联合学习。
支持单位：
国家重点研发计划（2019YFB2103201）、国家自然科学基金（62172034）和北京新星计划（Z201100006820053）。

摘要

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：

TP183型

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。

工具书类

[1] AGARWAL P K，GURJAR J，AGARWAL A K，等.人工智能在智能城市智能交通系统开发中的应用[J]。国际运输工程与交通系统杂志，2015,1（2）：20-30。
[2] FAN Z，SONG X，SHIBASAKI R，et al.Citymomen tum:一种在全市范围内进行人群行为预测的在线方法[C]//2015年ACM普及和普遍计算国际联合会议论文集。2015:559-569。
[3] ABADI A，RAJABIOUN T，IOANNOU P A.有限交通数据下道路交通网络的交通流预测[J]。IEEE智能交通系统汇刊，2014,16（2）：653-662。
[4] HINTON G E，SALAKHUTDINOV R R.用神经网络降低数据的维数[J]。科学，2006313（5786）：504-507。
[5] 张杰，郑毅，齐德，等.基于DNN的时空数据预测模型[C]//第24届ACM SIGSPATIAL国际地理信息系统进展会议论文集.2016:1-4。
[6] 张杰，郑毅，齐迪.用于城市人群流量预测的深度时空残差网络[C]//2017年第三十届AAAI人工智能会议。
[7] 林志峰，冯杰，卢志，等.Deepstn+：用于大都市人群流量预测的上下文时空神经网络[C]//AAAI人工智能会议论文集.2019,33（1）：1020-1027。
[8] 郭S，林毅，李思，等。用于交通数据预测的深时空三维卷积神经网络[J]。IEEE智能交通系统汇刊，2019,20（10）：3913-3926。
[9] 李涛，张杰，鲍凯，等.基于神经网络的时空预测高效搜索[C]//第26届ACM SIGKDD国际知识发现与数据挖掘会议论文集.2020:794-802。
[10] 高海良，徐永斌，侯德Z，等.基于深度异步残差网络的路网短期交通流预测算法[J]。吉林大学学报（工程技术版），2023,53（12）：3458-3464。
[11] 李坤，BOSER B，DENKER J S，等.反向传播在手写邮政编码识别中的应用[J]。神经计算，1989年，1（4）：541-551。
[12] 罗森布拉特F。神经动力学原理。感受器和脑机制理论[R]。康奈尔航空实验室公司，纽约州布法罗，1961年。
[13] TOUVRON H，BOJANOWSKI P，CARON M，等.基于数据有效训练的前馈网络图像分类[J].arXiv:2105.034042022。
[14] TOLSTIKHIN I O，HOULSBY N，KOLESNIKOV A，et al.Mlp-mixer:视觉的全Mlp架构[J]。神经信息处理系统进展，2021,34:24261-24272。
[15] 丁X，夏C，张X，等.重定卷积为全连通层的图像识别参数[J].arXiv:2105.018832021。
[16] 唐毅，韩坤，郭杰，等。图像补丁是一种波：阶段软件视觉mlp[C]//IEEE/CVF计算机视觉与模式识别会议论文集。2022:10935-10944。
[17] TRAN D，BOURDEV L，FERGUS R等。用三维卷积网络学习时空特征[C]//IEEE国际计算机视觉会议论文集。2015:4489-4497。
[18] 刘辉，西蒙扬K，杨毅Darts:差异建筑搜索[J].arXiv:1806.090552018。
[19] DOSOVITSKIY A，BEYER L，KOLESNIKOV A，等.动画价值16x16个单词：用于大规模图像识别的变形金刚[J].arXiv:2010.119292020。
[20] 刘Z，林毅，曹毅，等.Swin transformer:使用移位窗口的层次视觉变换器[C]//IEEE/CVF国际计算机视觉会议论文集.2021:10012-10022。
[21]袁坤，郭S，刘Z，等.将卷积设计融入视觉变换器[C]//IEEE/CVF国际计算机视觉会议论文集.2021:579-588。
[22]SHI W，CABALLERO J，HUSZáR F，等.使用高效亚像素卷积神经网络的实时单图像和视频超分辨率[C]//IEEE计算机视觉和模式识别会议论文集.2016:1874-1883。
[23]石X，陈Z，王H，等.卷积LSTM网络：降水预报的机器学习方法[C]//第28届神经信息处理系统国际会议论文集（第1卷）.2015:802-810。
[24]NGUYEN Q，HEIN M.深度和广度神经网络的损失面[C]//国际机器学习会议。PMLR，2017:2603-2612。

韵律学

已查看

全文

摘要

引用

共享

讨论

ST-WaveMLP：用于交通流预测的时空全球软件网络

PDF（PC）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章9

韵律学

评论

推荐0

[1]	沈哲辉、王凯来、孔祥杰。探索车站时空流动模式：一个短期和长期交通预测框架[J] ●●●●。计算机科学，2023，50（7）：98-106。
[2]	李荣芬、钟婷、吴进、周凡、匡平。基于时空注意的克立格法土地变形数据插值[J] ●●●●。计算机科学，2022，49（8）：33-39。
[3]	王明、彭健、黄飞虎。用于交通流预测的多时间尺度时空图神经网络[J] ●●●●。计算机科学，2022，49（8）：40-48。
[4]	尤兰、韩学伟、何正伟、肖思尤、何杜、潘晓明。基于AIS数据流的改进序列-序列模型短期船舶航迹预测[J] ●●●●。计算机科学，2020，47（9）：169-174。
[5]	张德根、杨鹏、张杰、高金鑫、张婷。基于量子粒子群优化策略的联网车辆交通流预测新方法[J] ●●●●。计算机科学，2020，47（11A）：327-333。
[6]	刘长云、杨玉迪、周丽华、赵丽红。用时间标签发现热门社交地点[J] ●●●●。计算机科学，2019，46（7）：186-194。
[7]	孔繁玉、周玉凤、陈刚。基于时空特征挖掘的交通流预测方法[J] ●●●●。计算机科学，2019，46（7）：322-326。
[8]	沈夏炯、张俊涛、韩道军。基于梯度提升回归树的短期交通流预测模型[J] ●●●●。计算机科学，2018，45（6）：222-227。
[9]	.基于IPSO的模糊神经网络交通流预测[J] ●●●●。计算机科学，2012，39（10）：190-192。