流量预测一直是交通领域研究者和实践者关注的热点问题.流量数据具有高度的非线性和复杂性,对其进行精准预测具有很大的挑战,现有的预测方法大多不能很好地捕获数据的时空相关性.提出一种新颖的基于深度学习的多组件时空图卷积网络(MCSTGCN),以解决交通流量预测问题.MCSTGCN通过3个组件分别建模流量数据的近期、日周期、周周期特性,每个组件同时利用空间维图卷积和时间维卷积有效捕获交通数据的时空相关性.在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明,MCSTGCN模型的预测效果优于现有的预测方法.
类型: 期刊论文
作者: 冯宁,郭晟楠,宋超,朱琪超,万怀宇
关键词: 交通流量预测,时空相关性,图卷积网络,多组件融合
来源: 软件学报 2019年03期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,计算机软件及计算机应用,自动化技术
单位: 北京交通大学计算机与信息技术学院,交通数据分析与挖掘北京市重点实验室(北京交通大学)
基金: 国家自然科学基金(61603028)~~
分类号: TP391.41;TP183;U491.1
DOI: 10.13328/j.cnki.jos.005697
页码: 759-769
总页数: 11
文件大小: 1734K
下载量: 816
本文来源: https://www.lunwen66.cn/article/454b28f272a7f8b2c5c5083f.html