CN112071065A - 一种基于全局扩散卷积残差网络的交通流预测方法 - Google Patents

一种基于全局扩散卷积残差网络的交通流预测方法 Download PDF

Info

Publication number
CN112071065A
CN112071065A CN202010973961.6A CN202010973961A CN112071065A CN 112071065 A CN112071065 A CN 112071065A CN 202010973961 A CN202010973961 A CN 202010973961A CN 112071065 A CN112071065 A CN 112071065A
Authority
CN
China
Prior art keywords
global
matrix
time
diffusion
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010973961.6A
Other languages
English (en)
Inventor
郑凯
叶冠宇
李元明
孙福振
刘聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202010973961.6A priority Critical patent/CN112071065A/zh
Publication of CN112071065A publication Critical patent/CN112071065A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于全局扩散卷积残差网络的交通流预测方法，属于智能交通系统技术领域。包括如下步骤：步骤1，建立基于全局扩散卷积残差网络的交通预测模型；步骤2，学习动态相关性、局部和全局空间相关性；步骤3，捕获时间相关性和全局时空相关性；步骤4，融合分支结果及输出；本交通流预测方法中，提出全局扩散卷积残差网络，该模型由多个具有相同结构的周期性分支组成，每个分支的全局注意力扩散卷积网络和全局残差网络来获取每个周期的时空相关性。特别地，全局注意力扩散卷积网络应用基于注意力机制的PPMI矩阵捕获动态的时空相关性，全局残差网络应用门控卷积和全局残差单元同时捕获时间相关性和全局的时空相关性，以此提高交通预测的精度和效率。

Description

一种基于全局扩散卷积残差网络的交通流预测方法
技术领域
一种基于全局扩散卷积残差网络的交通流预测方法，属于智能交通系统技术领域。
背景技术
交通流预测是智能交通系统的一个关键问题。由于交通网络的复杂拓扑结构和交通情况的动态时空模式，对交通网络流量的预测仍然是一项具有挑战性的任务。大多数现有的研究方法主要关注局部的时空相关性，而忽略了全局的空间相关性和全局的动态时空相关性。
交通预测是一项具有挑战性的任务，因为它具有复杂的非线性动态时空相关性。研究人员在交通预测方面付出了巨大的努力。例如ARIMA及其变型的统计回归方法是交通预测早期研究中的代表性模型，但这些模型只研究了每个地点的交通时间序列，而没有考虑空间相关性。之后一些研究人员将空间特征和其他的外部特征信息运用到传统的机器学习模型，但高维交通数据的时空相关性仍然难以考虑。
近年来，深度学习方法在交通预测方面取得了巨大的进步，其性能超过了许多传统的方法。为了模拟交通网络中复杂的非线性空间相关性，卷积神经网络(CNN)被用于交通预测，并取得了一定的成功。然而，由于网格结构不具备真实的条件，使得它不能有效地捕捉交通网络的空间相关性。部分人员提出了基于GCN的方法来捕获交通网络的结构相关性，DCRNN进一步应用扩散卷积网络捕捉双向交通网络的空间特征。然而，这些方法中大部分使用基于RNN的结构，不仅具有耗时长、延迟高等缺陷，而且在获取远距离的上下文信息过程中效率较低。为了解决这些挑战，一些研究将CNN应用于时间维度，使得模型具有梯度稳定、内存消耗低、并行计算等优点。GaAN模型和ASTGCN模型进一步利用注意力机制，动态调整时空相关性。它们虽然提高了交通预测的精度和效率，但未能同时捕获交通网络中的全局和局部时空相关性。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种同时捕获交通网络中的动态性、全局时空相关性和局部时空相关性，提高了交通预测的精度和效率的基于全局扩散卷积残差网络的交通流预测方法。
本发明解决其技术问题所采用的技术方案是：该基于全局扩散卷积残差网络的交通流预测方法，其特征在于，包括如下步骤：
步骤1，建立基于全局扩散卷积残差网络的交通预测模型；
建立基于全局扩散卷积残差网络的交通预测模型，在基于全局扩散卷积残差网络的交通预测模型中根据时间周期设置每时、每天、每周三种分支，其中每个分支中运用了两次全局扩散卷积残差网络，每个全局扩散卷积残差网络包括依次连接的全局注意力扩散卷积网络和全局残差网络，通过全局注意力扩散卷积网络和全局残差网络学习各个时间段的动态时空信息；
步骤2，利用全局注意力扩散卷积网络学习动态相关性、局部和全局空间相关性；
在全局注意力扩散卷积网络中包含时空注意力单元和全局图卷积单元，时空注意力单元用于捕获交通数据的动态相关性，全局图卷积单元用于捕获交通数据的局部和全局空间相关性，通过向全局注意力扩散卷积网络输入各个时间段的动态时空信息以及交通网络结构图得到表示局部和全局空间相关性的矩阵HS；
步骤3，利用全局残差网络捕获时间相关性和全局时空相关性；
全局残差网络包括门控时域卷积单元和全局残差单元，门控时域卷积单元和全局残差单元分别用于捕获时间相关性和捕获全局时空相关性，通过向全局残差网络输入矩阵HS得到表示时空相关性的矩阵
Figure BDA0002685080190000021
步骤4，融合分支结果及输出；
基于全局扩散卷积残差网络的交通预测模型利用卷积层融合三个时间周期分支的结果并进行预测结果输出。
在本基于全局扩散卷积残差网络的交通流预测方法中，提出了一个有效且高效的基于全局扩散卷积残差网络的交通流预测模型，在该模型中根据时间周期设置每时、每天、每周三种分支，用于捕获多个不同时期的信息特征。
同时提出了一种新的图形卷积网络：全局注意力扩散卷积网络，全局注意力扩散卷积网络同时考虑了动态性、局部和全局空间相关性。通过应用时空注意力机制学习交通数据的动态相关性，应用两个基于图结构的邻接矩阵体现双向交通网络的局部空间相关性，通过应用PPMI矩阵来嵌入基于上下文的知识以体现全局相关性。
优选的，在进行所述的执行步骤1时，将历史交通数据设置有三个分支，分别建立以每时、每日和每周的时间相关性，得到每时动态张量、每天动态张量以及每周动态张量，在每时动态张量、每天动态张量以及每周动态张量的输出端分别接入所述的全局扩散卷积残差网络。
优选的，在进行所述的执行步骤1时，交通网络结构图为一个加权的双向图G＝(V，E，A)，V表示图中一定数量的节点(V＝N)，E表示节点间访问路线的边，A∈RN×N表示图G的加权邻接矩阵，aij∈A表示节点vi到vj的边权重。
优选的，在进行所述的执行步骤2时，时空注意力单元捕获交通数据动态相关性的过程为：首先应用注意力层将第一层由历史交通数据构建的矩阵或上一层输出的矩阵作为输入，构建成一个时间注意力矩阵α；利用softmax函数对时间注意力矩阵α进行归一化处理并构建矩阵α’，然后再次与本层输入的矩阵相乘构建面向重要性的动态时间表示Ht，利用注意力机制将Ht与参数进行乘积构建时空注意力矩阵β；最后将归一化后的时空注意力矩阵β’带入到图卷积单元中，动态地调整节点之间的关联性。
优选的，在进行所述的执行步骤2时，全局图卷积单元捕获信息局部和全局空间相关性的过程为：首先使用通过对交通网络结构图中的边权重进行高斯变换得到的前向邻接矩阵AF和后向邻接矩阵AB来计算局部空间的邻近度；之后以随机游走的形式来计算节点间的频率矩阵F，根据频率矩阵F计算任意两个节点间的全局概率，最后在此概率矩阵下构造全局辅助矩阵AP来嵌入全局空间的知识。
优选的，在进行所述执行步骤2时，动态地调整节点之间关联性的过程为：将时空注意力矩阵β分别输入到前向邻接矩阵、后向邻接矩阵和全局辅助矩阵中进行Hadamard乘积，得到以重要度为导向的扩散矩阵
Figure BDA0002685080190000031
和
Figure BDA0002685080190000032
通过结合扩散矩阵
Figure BDA0002685080190000033
和
Figure BDA0002685080190000034
构建一个图卷积层，在图卷积层中分为K个扩散步骤，每个步骤k中依次累加对应步骤下的
Figure BDA0002685080190000035
和
Figure BDA0002685080190000036
与上一层输入矩阵和可学习参数矩阵的乘积结果，得到体现局部和全局空间相关性的矩阵HS。
优选的，在所述的执行步骤3时，门控时域卷积单元捕获时间相关性包括如下步骤：首先门控时域卷积单元将所述矩阵HS分别作用在两个标准卷积中，之后在两个不同的非线性激活函数：ReLU函数和双曲正切函数作用下，将得到的两个矩阵进行Hadamard乘积，进而计算出表示时空相关性的矩阵HST。
优选的，全局残差单元捕获全局时空相关性包括如下步骤：首先从门控时域卷积单元获取矩阵HST并对其进行全局池化计算；之后与可学习的参数矩阵相乘进行线性变换，再带入到ReLU函数进行非线性变换；重复一次线性变换和非线性变换后，与矩阵HST进行Hadamard乘积得到矩阵Ho；最后将Ho与经卷积处理后的矩阵X进行叠加，带入到层归一化函数中进行处理，经ReLU函数计算得到矩阵
Figure BDA0002685080190000037
优选的，在所述的执行步骤4时，所述的每个分支经过全局注意力扩散卷积网络和全局残差网络后，在每个分支的末端应用一个卷积层，在卷积层的作用下基于全局扩散卷积残差网络的交通预测模型中每个分支的输出预测结果具有相同的形状，最后将每个分支的预测结果
Figure BDA0002685080190000038
分别与参数矩阵(Wh,Wd,Ww)进行元素相乘，通过累加的形式进行融合，得到最终的预测结果
Figure BDA0002685080190000041
与现有技术相比，本发明所具有的有益效果是：
1、在本基于全局扩散卷积残差网络的交通流预测方法中，提出了一个有效且高效的基于全局扩散卷积残差网络的交通流预测模型，在该模型中根据时间周期设置每时、每天、每周三种分支，用于捕获多个不同时期的信息特征。
2、提出了一种新的图形卷积网络：全局注意力扩散卷积网络，全局注意力扩散卷积网络同时考虑了动态性、局部和全局空间相关性。通过应用时空注意力机制学习交通数据的动态相关性，通过应用PPMI矩阵来嵌入基于上下文的知识以体现全局相关性，应用两个基于图结构的邻接矩阵体现双向交通网络的局部空间相关性。
3、提出了一种新的全局残差网络来捕获时间相关性和全局时空相关性。此网络由门控时域卷积单元和全局残差单元组成，门控时域卷积单元和全局残差单元分别用于捕获时间相关性和全局时空相关性。
4、在本基于全局扩散卷积残差网络的交通流预测方法中，通过在两个真实数据集上利用三个评估指标将本模型与六种其他方法进行比较，大量的实验证明，此模型比其他方法取得了更好的预测性能。
附图说明
图1为基于全局扩散卷积残差网络的交通流预测方法流程图。
图2为基于全局扩散卷积残差网络的交通流预测模型结构图。
图3为全局扩散卷积残差网络中全局注意力扩散卷积网络结构图。
图4为全局扩散卷积残差网络中全局残差网络结构图。
图5～6为不同方法的性能随预测时间增加的变化在PeMSD8中预测结果曲线图。
图7～8为不同方法的性能随预测时间增加的变化在PeMSD4中预测结果曲线图。
具体实施方式
图1～8是本发明的最佳实施例，下面结合附图1～8对本发明做进一步说明。
如图1所示，一种基于全局扩散卷积残差网络的交通流预测方法(以下简称交通流预测方法)，包括如下步骤：
步骤1，建立基于全局扩散卷积残差网络的交通流预测模型。
在本交通流预测方法中，设置有采用全局扩散卷积残差网络(简称GDCRN)，并建立基于全局扩散卷积残差网络的交通流预测模型，并在本交通流预测方法中，将建立的基于全局扩散卷积残差网络的交通流预测模型简称为“GDCRN模型”。同时在本交通流预测方法中，给定一个交通网络结构图G和它在过去T个时间段内的历史交通数据X，预测整个交通网络结构图的下一个TP时间段内的交通流序列Y。
交通网络结构图G为一个加权的双向图G＝(V，E，A)，V表示图中一定数量的节点(|V|＝N)，E表示节点间访问路线的边，A∈RN×N表示图G的加权邻接矩阵。aij∈A表示节点vi到vj的边权重，可通过距离函数计算。假设图G包含N个节点，交通数据X包含C个特征(例如车流量、速度)，在t时刻节点vi的第c个特征的交通数据为：
Figure BDA0002685080190000051
Figure BDA0002685080190000052
表示在t时刻下节点vi的所有特征，
Figure BDA0002685080190000053
表示t时刻下具有所有特征的所有节点的交通数据。因此，Y可定义为
Figure BDA0002685080190000054
如图2所示，历史交通数据和交通网络结构图作为GDCRN模型的输入数据。历史交通数据作为输入数据设置了三个分支，分别建立以每时、每日和每周的时间相关性，得到每时动态张量、每天动态张量以及每周动态张量，在每时动态张量、每天动态张量以及每周动态张量的输出端分别运用两次GDCRN，每个GDCRN中包括依次连接的全局注意力扩散卷积网络(以下简称GADCN)和全局残差网络(以下简称GRes)，通过GADCN和GRes学习各个时间段的动态时空信息。交通网络结构图作为输入数据分别接入两个GDCRN的输入端，在后一个GDCRN的输出端增加了一个卷积层来获取各分支的预测结果，使输出结果保持一致性。最后将每个周期分支的输出进行融合，得到最终的预测结果。
步骤2，利用GDCRN学习动态相关性、局部和全局空间相关性。
由于不同地点间的交通状况相互影响，不同时间段间的相关性随时变化且不同相关性的重要程度也不尽相同。因此，在本交通流预测方法中，采用注意力机制来关注更重要的时空相关性。由于近程和远程的交通状况都会目标位置产生影响，因此在本交通流预测方法中，采用如图3所示结构的GADCN。其包含时空注意力单元和全局图卷积单元，时空注意力单元用于提取动态相关性，全局图卷积单元用于提取局部空间相关性和全局空间相关性。
如图3所示，时空注意力单元用于自适应地捕捉高度动态的时空相关性，应用注意力层来挖掘时间相关性中的重要部分。注意力层首先将第一层由历史交通数据构建的矩阵或上一层输出的矩阵在参数向量U1、U2、U3的乘积下以及激活函数的作用下，构建成一个时间注意力矩阵α，其中αij体现时间i和j的关联程度。之后利用softmax函数对时间注意力矩阵α进行归一化处理并构建矩阵α’，与输入矩阵Xl-1相乘构建面向重要性的动态时间表示Ht。最后利用注意力机制将Ht与参数矩阵W1、W2、W3进行乘积构建时空注意力矩阵β，以体现节点间的动态相关性。将归一化处理后的矩阵β’带入到图卷积单元中，动态地调整节点之间的关联性。
全局图卷积单元用于同时提取交通网络结构图的局部和全局空间相关性。首先使用通过对边权重进行高斯变换得到的前向邻接矩阵AF和后向邻接矩阵AB来计算局部空间的邻近度。在细节方面，若节点vi和vj之间的距离小于ε，则边权重可根据二者距离并以e的指数次幂的形式体现，之后构造全局辅助矩阵AP来嵌入全局空间的知识。矩阵AP首先在局部邻接矩阵上以随机游走的形式来计算节点间的频率矩阵F，然后根据F计算任意两个节点间的全局概率，进而构建PPMI矩阵。
为了自适应地调整节点间的动态相关性，在本交通流预测方法中，进一步将由时空注意力单元得到的时空注意力矩阵β分别与前向邻接矩阵、后向邻接矩阵和全局辅助矩阵进行Hadamard乘积，得到以重要度为导向的扩散矩阵
Figure BDA0002685080190000061
和
Figure BDA0002685080190000062
通过结合扩散矩阵，在本交通流预测方法中提出一个新的图卷积层，在其中分为K个扩散步骤，在每个步骤k中依次累加
Figure BDA0002685080190000063
和
Figure BDA0002685080190000064
与上一层输入的矩阵和可学习参数矩阵的乘积结果。经图卷积层的激活函数的计算后，得到体现局部和全局空间相关性的矩阵HS。
步骤3，利用GRes捕获时间相关性和全局时空相关性。
结合图3～4所示，在本交通流预测方法中，GRes由门控时域卷积单元和全局残差单元组成，门控时域卷积单元和全局残差单元分别用于捕获时间相关性和全局时空相关性。其主要步骤包括：
(1)门控时域卷积单元主要利用门控机制强大的信息控制能力。本交通流预测方法应用两个具有不同核尺寸的标准卷积运算来学习时间维度上不同的隐藏特征，然后采用两种不同的激活函数作为输出门，去学习复杂的时间特征。
首先门控时域卷积单元将矩阵HS分别作用在两个标准卷积中，之后在两个不同的非线性激活函数σ1(ReLU函数)和σ2(双曲正切函数)作用下，将得到的两个矩阵进行Hadamard乘积，进而计算出表示时空相关性的矩阵HST。
(2)全局残差单元用于挖掘信息中具有高价值的特征。首先，使用一个全局池化层来捕获所有节点和所有时域之间的全局上下文时空相关性。为限制模型复杂度并提高泛化能力，在本交通流预测方法采用线性变换进行降维。之后利用ReLU函数进行非线性变换，利用残差机制和层归一化来提高模型的泛化能力。
具体计算过程为：首先从门控时域卷积单元获取矩阵HST，并对其进行全局池化计算。之后与可学习的参数矩阵相乘进行线性变换，再带入到ReLU函数进行非线性变换。重复一次线性变换和非线性变换后，与自身矩阵HST进行Hadamard乘积得到矩阵Ho。最后将Ho与输入的历史交通数据经卷积处理后得到的矩阵X进行叠加，利用层归一化函数进行处理，经ReLU函数计算得到矩阵
Figure BDA0002685080190000071
步骤4，融合分支结果及输出。
每个分支经过GADCN和GRes处理之后，为了确保可以有效地合并多个分支，在本交通流预测方法中，在每个分支的末端应用一个卷积层。在卷积层的作用下使得模型中三个分支的输出预测结果
Figure BDA0002685080190000072
具有相同的形状。最后将
Figure BDA0002685080190000073
三个矩阵分别与可学习的参数矩阵Wh，Wd，Ww进行相乘，通过累加的形式进行融合，得到可获取全局时间相关性的矩阵
Figure BDA0002685080190000074
实现预测结果的输出。
通过一组实验验证本交通流预测方法的有效性：
实验数据：
在数据集方面，在两个大型真实世界公路交通的数据集PeMSD4和PeMSD8上验证GDCRN模型的性能。表1给出了这两个数据集的详细信息，其中交通数据每5分钟汇总一次。
在网络结构和超参数设置方面，为GDCRN模型按周、日和小时的形式设置了三个不同的周期性分支，设三个分支的输入周期长度为：2、2、1，每个分支包含两个GDCRN。对于图卷积而言，通过设定路径长度q＝3的随机游走和扩散步骤k＝3的图卷积层来构造PPMI矩阵。对于门控时域卷积单元，设置一个具有64个滤波器且核的尺寸为3×3，另一个具有64个滤波器且核的尺寸为1×1。在每个分支的第一个GDCRN中，将时间卷积的步幅设为输入周期的长度(例如2，2，1)。对于每个分支的输出卷积层，使用12个核大小为1×64的滤波器。在训练阶段设置批大小为16，学习率为0.001，训练次数为50。本实验按照时间顺序拆分数据集，其中70％用于训练，20％用于测试，其余数据用于交叉验证。
数据集 PeMSD8 PeMSD4
位置 旧金山湾区，加州 圣贝纳迪诺，加州
监测器 170 307
时间间隔 12 12
时间跨度 01/01/2018-28/02/2018 07/01/2016-31/08/2016
道路数量 8 29
表1数据集具体信息
(1)性能对比试验
在本实验中，使用三个被广泛采用的度量标准：平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)来度量不同的方案。将本交通流预测方法中提出的GDCRN模型与以下6种基线方法所建立的模型进行比较：基于历史平均水平法(HistoricalAverage)的HA模型；基于自回归积分移动平均法(Auto-ReGRessive Integrated MovingAverage)的ARIMA模型；基于时空图卷积网络(Spatio-Temporal Graph ConvolutionalNetwork)的STGCN模型；基于时间图卷积网络(Temporal Graph Convolutional Network)的T-GCN模型；基于扩散卷积递归神经网络(Diffusion Convolutional Recurrent NeuralNetwork)的DCRNN模型；基于注意力的时空图卷积网络(Attention based Spatial-Temporal Graph Convolution Network)的ASTGCN模型。实验使用GDCRN模型和上述的6种基准方法所建立的模型，分别对PeMSD4和PeMSD8数据集进行15分钟、30分钟、60分钟的预测。表2给出了交通流预测性能在三个预测区间上的平均结果。
Figure BDA0002685080190000081
表2不同模型在不同预测区间的表现
所有的评价指标表明，在所有预测区间中GDCRN模型几乎达到了最好的预测性能，验证了GDCRN模型在实际交通预测中的有效性。在分析过程中注意到STGCN模型、T-GCN模型、DCRNN模型、GDCRN模型，更强调捕获时空相关性的重要性，通常比采用基线方法的HA模型和ARIMA模型表现得更好。例如，与ARIMA模型相比，GDCRN模型和STGCN模型的MAE大约减少了35.23％和23.86％。与HA模型相比，在预测60分钟流量的RMSE中，GDCRN模型和STGCN模型分别降低了26.73％和16.27％。相比于T-GCN模型，GDCRN模型和DCRNN模型的MAE约下降8.83％和4.27％。相比于STGCN模型，在15分钟预测任务中GDCRN模型和DCRNN模型大约降低4.34％和1.82％。造成上述性能差异的原因是基于谱域的GCN模型无法有效地捕获双向网络的空间相关性，而基于空域的DCN模型能够有效地捕获空间相关性。对于60分钟交通流预测任务，与ASTGCN模型相比，DCRNN模型的MAE提高了5.07％，而GDCRN模型则降低了约8.26％。这主要是因为基于RNN的DCRNN模型在捕获长期时间相关性方面效率较低。而GDCRN模型能够同时捕捉交通网络结构图上的全局时空相关性和全局空间相关性，对长期预测任务更加有效。因此，以上实验结果证明了GDCRN模型的有效性。
图4～8显示了本模型和其他采用基线方法的模型的预测性能随预测时间增加的变化情况。两个有价值的观察结果进一步证实了GDCRN模型的优越性。首先，GDCRN模型的预测误差增长趋势小于所有方法，说明了模型的稳定性。其次，GDCRN模型在几乎所有的时间维度中都具有最好的预测性能，尤其是在长期预测方面。具体而言，GDCRN模型与其他采用基线方法的模型的差异随着时间的增加而更加显著，说明获取全局时空相关性、全局空间相关性和多时间关系可以更好地描述交通数据的动态时空格局。
(2)消融实验
为了验证模型中每个组件的有效性，本实验比较了模型的以下四个变量：
ChebNet，在GADCN中用ChebNet代替GDCN。
No-GRN，删除全局残差网络中的全局残差分支。
No-PPMI，在扩散卷积单元中去除PPMI矩阵。
No-Gate，去掉了时域卷积单元中的门机制。
表3比较了各变量在不同预测区间上的平均性能，使用MAE、RMSE和MAPE作为评估指标。
Figure BDA0002685080190000091
表3 GDCRN模型的变型在不同预测区间的表现
通过实验可以发现，GDCRN模型的预测性能最好。与将交通网络结构图视为无向图且只考虑局部空间相关性的ChebNet模型相比，在60分钟的预测任务中，GDCRN模型的MAE降低了约5.6％。该结果验证了本交通流预测方法中全局图卷积单元能够同时捕获双向流量网络的全局和局部相关性。与No-GRN模型相比，GDCRN模型不仅具有更好的预测精度，还对预测区间不敏感。这说明获取全局时空特征对于交通预测任务的重要意义。例如，对于15分钟、30分钟和60分钟的交通预测任务，GDCRN模型的RMSE比No-GRN模型约降低4.81％、6.11％和7.21％。基于门控机制和全局PPMI矩阵的GDCRN模型比No-PPMI模型和No-Gate模型具有更好的预测性能，特别是在长期的预测任务中。总的说来，GDCRN模型可以在各种预测的时间范围中得到最好的结果，而且本模型的每个组成部分都是有意义的。
(3)时间效率评估。
表4比较了GDCRN模型、DCRNN模型和STGCN模型在PeMSD8数据集上的时间消耗。
Figure BDA0002685080190000101
表4 PeMSD8数据集的计算成本
由表4可知，GDCRN模型相比DCRNN模型训练速度提升3.44倍。在推理阶段测量每个模型在验证数据上的总时间成本，发现GDCRN模型是性能最好的模型。产生上述结论的原因是GDCRN模型在一次运行中产生12个预测值，而DCRNN模型和STGCN模型生成预测结果需要利用先前预测的结果，并进行12个迭代步骤来预测12个层次的交通流。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种基于全局扩散卷积残差网络的交通流预测方法，其特征在于，包括如下步骤：
步骤1，建立基于全局扩散卷积残差网络的交通预测模型；
建立基于全局扩散卷积残差网络的交通预测模型，在基于全局扩散卷积残差网络的交通预测模型中根据时间周期设置每时、每天、每周三种分支，其中每个分支中运用了两次全局扩散卷积残差网络，每个全局扩散卷积残差网络包括依次连接的全局注意力扩散卷积网络和全局残差网络，通过全局注意力扩散卷积网络和全局残差网络学习各个时间段的动态时空信息；
步骤2，利用全局注意力扩散卷积网络学习动态相关性、局部和全局空间相关性；
在全局注意力扩散卷积网络中包含时空注意力单元和全局图卷积单元，时空注意力单元用于捕获交通数据的动态相关性，全局图卷积单元用于捕获交通数据的局部和全局空间相关性，通过向全局注意力扩散卷积网络输入各个时间段的动态时空信息以及交通网络结构图得到表示局部和全局空间相关性的矩阵HS；
步骤3，利用全局残差网络捕获时间相关性和全局时空相关性；
全局残差网络包括门控时域卷积单元和全局残差单元，门控时域卷积单元和全局残差单元分别用于捕获时间相关性和捕获全局时空相关性，通过向全局残差网络输入矩阵HS得到表示时空相关性的矩阵
Figure FDA0002685080180000011
步骤4，融合分支结果及输出；
基于全局扩散卷积残差网络的交通预测模型利用卷积层融合三个时间周期分支的结果并进行预测结果输出。
2.根据权利要求1所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在进行所述的执行步骤1时，将历史交通数据设置有三个分支，分别建立以每时、每日和每周的时间相关性，得到每时动态张量、每天动态张量以及每周动态张量，在每时动态张量、每天动态张量以及每周动态张量的输出端分别接入所述的全局扩散卷积残差网络。
3.根据权利要求1所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在进行所述的执行步骤1时，交通网络结构图为一个加权的双向图G＝(V，E，A)，V表示图中一定数量的节点(|V|＝N)，E表示节点间访问路线的边，A∈RN×N表示图G的加权邻接矩阵，aij∈A表示节点vi到vj的边权重。
4.根据权利要求1所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在进行所述的执行步骤2时，时空注意力单元捕获交通数据动态相关性的过程为：首先应用注意力层将第一层由历史交通数据构建的矩阵或上一层输出的矩阵作为输入，构建成一个时间注意力矩阵α；利用softmax函数对时间注意力矩阵α进行归一化处理并构建矩阵α’，然后再次与本层输入的矩阵相乘构建面向重要性的动态时间表示Ht，利用注意力机制将Ht与参数进行乘积构建时空注意力矩阵β；最后将归一化后的时空注意力矩阵β’带入到图卷积单元中，动态地调整节点之间的关联性。
5.根据权利要求1所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在进行所述的执行步骤2时，全局图卷积单元捕获信息局部和全局空间相关性的过程为：首先使用通过对交通网络结构图中的边权重进行高斯变换得到的前向邻接矩阵AF和后向邻接矩阵AB来计算局部空间的邻近度；之后以随机游走的形式来计算节点间的频率矩阵F，根据频率矩阵F计算任意两个节点间的全局概率，最后在此概率矩阵下构造全局辅助矩阵AP来嵌入全局空间的知识。
6.根据权利要求4所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在进行所述执行步骤2时，动态地调整节点之间关联性的过程为：将时空注意力矩阵β分别输入到前向邻接矩阵、后向邻接矩阵和全局辅助矩阵中进行Hadamard乘积，得到以重要度为导向的扩散矩阵
Figure FDA0002685080180000021
和
Figure FDA0002685080180000022
通过结合扩散矩阵
Figure FDA0002685080180000023
和
Figure FDA0002685080180000024
构建一个图卷积层，在图卷积层中分为K个扩散步骤，每个步骤k中依次累加对应步骤下的
Figure FDA0002685080180000025
和
Figure FDA0002685080180000026
与上一层输入矩阵和可学习参数矩阵的乘积结果，得到体现局部和全局空间相关性的矩阵HS。
7.根据权利要求1所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在所述的执行步骤3时，门控时域卷积单元捕获时间相关性包括如下步骤：首先门控时域卷积单元将所述矩阵HS分别作用在两个标准卷积中，之后在两个不同的非线性激活函数：ReLU函数和双曲正切函数作用下，将得到的两个矩阵进行Hadamard乘积，进而计算出表示时空相关性的矩阵HST。
8.根据权利要求7所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：全局残差单元捕获全局时空相关性包括如下步骤：首先从门控时域卷积单元获取矩阵HST并对其进行全局池化计算；之后与可学习的参数矩阵相乘进行线性变换，再带入到ReLU函数进行非线性变换；重复一次线性变换和非线性变换后，与矩阵HST进行Hadamard乘积得到矩阵Ho；最后将Ho与经卷积处理后的矩阵X进行叠加，带入到层归一化函数中进行处理，经ReLU函数计算得到矩阵
Figure FDA0002685080180000027
9.根据权利要求1所述的基于全局扩散卷积残差网络的交通流预测方法，其特征在于：在所述的执行步骤4时，所述的每个分支经过全局注意力扩散卷积网络和全局残差网络后，在每个分支的末端应用一个卷积层，在卷积层的作用下基于全局扩散卷积残差网络的交通预测模型中每个分支的输出预测结果具有相同的形状，最后将每个分支的预测结果
Figure FDA0002685080180000031
分别与参数矩阵(Wh,Wd,Ww)进行元素相乘，通过累加的形式进行融合，得到最终的预测结果
Figure FDA0002685080180000032
CN202010973961.6A 2020-09-16 2020-09-16 一种基于全局扩散卷积残差网络的交通流预测方法 Pending CN112071065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010973961.6A CN112071065A (zh) 2020-09-16 2020-09-16 一种基于全局扩散卷积残差网络的交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010973961.6A CN112071065A (zh) 2020-09-16 2020-09-16 一种基于全局扩散卷积残差网络的交通流预测方法

Publications (1)

Publication Number Publication Date
CN112071065A true CN112071065A (zh) 2020-12-11

Family

ID=73696076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010973961.6A Pending CN112071065A (zh) 2020-09-16 2020-09-16 一种基于全局扩散卷积残差网络的交通流预测方法

Country Status (1)

Country Link
CN (1) CN112071065A (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668797A (zh) * 2020-12-31 2021-04-16 中山大学 一种长短期交通预测方法
CN112766551A (zh) * 2021-01-08 2021-05-07 鹏城实验室 一种交通预测方法、智能终端及计算机可读存储介质
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN112862165A (zh) * 2021-01-23 2021-05-28 西南交通大学 一种基于3d反卷积的出行需求预测方法
CN112910711A (zh) * 2021-02-03 2021-06-04 山东大学 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN112910695A (zh) * 2021-01-22 2021-06-04 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112907971A (zh) * 2021-02-04 2021-06-04 南通大学 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法
CN113178073A (zh) * 2021-04-25 2021-07-27 南京工业大学 一种基于时间卷积网络的车流量短期预测优化应用方法
CN113205685A (zh) * 2021-04-30 2021-08-03 南通大学 基于全局-局部残差组合模型的短时交通流预测方法
CN113283581A (zh) * 2021-05-14 2021-08-20 南京邮电大学 多融合图网络协同多通道注意力模型及其应用和应用方法
CN113327417A (zh) * 2021-05-28 2021-08-31 南通大学 基于3d动态时空残差卷积关联网络的交通流预测方法
CN113345236A (zh) * 2021-06-11 2021-09-03 北京航空航天大学 一种基于Transformer网络的时空交通状态预测方法
CN113570859A (zh) * 2021-07-23 2021-10-29 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置
CN113850446A (zh) * 2021-10-22 2021-12-28 重庆理工大学 融合时空注意力和异构图卷积网络的信息扩散预测方法
CN113920730A (zh) * 2021-10-11 2022-01-11 北京易华录信息技术股份有限公司 一种信号灯的时间分配方法、装置、电子设备及存储介质
CN114039871A (zh) * 2021-10-25 2022-02-11 中山大学 一种蜂窝流量预测的方法、系统、装置及介质
CN114662792A (zh) * 2022-04-22 2022-06-24 广西财经学院 基于动态扩散图卷积的循环神经网络的交通流量预测方法
CN114692964A (zh) * 2022-03-24 2022-07-01 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN116071932A (zh) * 2023-03-09 2023-05-05 华东交通大学 交通流量预测方法、系统、存储介质及终端设备
CN116386321A (zh) * 2023-01-11 2023-07-04 华南理工大学 基于改进状态空间模型的交通速度预测方法
CN116504060A (zh) * 2023-05-01 2023-07-28 兰州理工大学 基于Transformer的扩散图注意力网络交通流预测方法
CN114692964B (zh) * 2022-03-24 2024-05-31 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239506A (zh) * 2017-05-11 2017-10-10 中国地质大学（武汉） 一种地理事件时空自相关的评估方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN111091712A (zh) * 2019-12-25 2020-05-01 浙江大学 一种基于循环注意力对偶图卷积网络的交通流量预测方法
CN111223301A (zh) * 2020-03-11 2020-06-02 北京理工大学 一种基于图注意力卷积网络的交通流量预测方法
CN111243269A (zh) * 2019-12-10 2020-06-05 福州市联创智云信息科技有限公司 基于融合时空特征的深度网络的交通流预测方法
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111669373A (zh) * 2020-05-25 2020-09-15 山东理工大学 基于时空卷积网络和拓扑感知的网络异常检测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239506A (zh) * 2017-05-11 2017-10-10 中国地质大学（武汉） 一种地理事件时空自相关的评估方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN111243269A (zh) * 2019-12-10 2020-06-05 福州市联创智云信息科技有限公司 基于融合时空特征的深度网络的交通流预测方法
CN111091712A (zh) * 2019-12-25 2020-05-01 浙江大学 一种基于循环注意力对偶图卷积网络的交通流量预测方法
CN111223301A (zh) * 2020-03-11 2020-06-02 北京理工大学 一种基于图注意力卷积网络的交通流量预测方法
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111669373A (zh) * 2020-05-25 2020-09-15 山东理工大学 基于时空卷积网络和拓扑感知的网络异常检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIUJUAN CHEN: "GDCRN: Global Diffusion ConvolutionalResidual Network for Traffic FlowPrediction", 《KNOWLEDGE SCIENCE,ENGINEERING AND MANAGEMENT》 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668797A (zh) * 2020-12-31 2021-04-16 中山大学 一种长短期交通预测方法
CN112766551A (zh) * 2021-01-08 2021-05-07 鹏城实验室 一种交通预测方法、智能终端及计算机可读存储介质
CN112766551B (zh) * 2021-01-08 2022-05-17 鹏城实验室 一种交通预测方法、智能终端及计算机可读存储介质
CN112910695A (zh) * 2021-01-22 2021-06-04 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112910695B (zh) * 2021-01-22 2022-07-19 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112862165A (zh) * 2021-01-23 2021-05-28 西南交通大学 一种基于3d反卷积的出行需求预测方法
CN112862165B (zh) * 2021-01-23 2022-04-26 西南交通大学 一种基于3d反卷积的出行需求预测方法
CN112910711A (zh) * 2021-02-03 2021-06-04 山东大学 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN112907971A (zh) * 2021-02-04 2021-06-04 南通大学 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法
CN112907971B (zh) * 2021-02-04 2022-06-10 南通大学 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法
CN112801404B (zh) * 2021-02-14 2024-03-22 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113178073A (zh) * 2021-04-25 2021-07-27 南京工业大学 一种基于时间卷积网络的车流量短期预测优化应用方法
CN113205685A (zh) * 2021-04-30 2021-08-03 南通大学 基于全局-局部残差组合模型的短时交通流预测方法
CN113283581A (zh) * 2021-05-14 2021-08-20 南京邮电大学 多融合图网络协同多通道注意力模型及其应用和应用方法
CN113283581B (zh) * 2021-05-14 2022-08-09 南京邮电大学 多融合图网络协同多通道注意力模型及其应用和应用方法
CN113327417B (zh) * 2021-05-28 2022-06-10 南通大学 基于3d动态时空残差卷积关联网络的交通流预测方法
CN113327417A (zh) * 2021-05-28 2021-08-31 南通大学 基于3d动态时空残差卷积关联网络的交通流预测方法
CN113345236A (zh) * 2021-06-11 2021-09-03 北京航空航天大学 一种基于Transformer网络的时空交通状态预测方法
CN113570859A (zh) * 2021-07-23 2021-10-29 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN113570859B (zh) * 2021-07-23 2022-07-22 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置
CN113920730A (zh) * 2021-10-11 2022-01-11 北京易华录信息技术股份有限公司 一种信号灯的时间分配方法、装置、电子设备及存储介质
CN113850446A (zh) * 2021-10-22 2021-12-28 重庆理工大学 融合时空注意力和异构图卷积网络的信息扩散预测方法
CN113850446B (zh) * 2021-10-22 2022-08-12 重庆理工大学 融合时空注意力和异构图卷积网络的信息扩散预测方法
CN114039871A (zh) * 2021-10-25 2022-02-11 中山大学 一种蜂窝流量预测的方法、系统、装置及介质
CN114039871B (zh) * 2021-10-25 2022-11-29 中山大学 一种蜂窝流量预测的方法、系统、装置及介质
CN114692964A (zh) * 2022-03-24 2022-07-01 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN114692964B (zh) * 2022-03-24 2024-05-31 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN114662792A (zh) * 2022-04-22 2022-06-24 广西财经学院 基于动态扩散图卷积的循环神经网络的交通流量预测方法
CN114662792B (zh) * 2022-04-22 2023-01-20 广西财经学院 基于动态扩散图卷积的循环神经网络的交通流量预测方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115482656B (zh) * 2022-05-23 2023-09-26 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN116386321A (zh) * 2023-01-11 2023-07-04 华南理工大学 基于改进状态空间模型的交通速度预测方法
CN116071932A (zh) * 2023-03-09 2023-05-05 华东交通大学 交通流量预测方法、系统、存储介质及终端设备
CN116504060A (zh) * 2023-05-01 2023-07-28 兰州理工大学 基于Transformer的扩散图注意力网络交通流预测方法
CN116504060B (zh) * 2023-05-01 2024-05-14 兰州理工大学 基于Transformer的扩散图注意力网络交通流预测方法

Similar Documents

Publication Publication Date Title
CN112071065A (zh) 一种基于全局扩散卷积残差网络的交通流预测方法
Guo et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting
CN109492814B (zh) 一种城市交通流量预测方法、系统及电子设备
CN111612243B (zh) 交通速度预测方法、系统及存储介质
Kim et al. A capsule network for traffic speed prediction in complex road networks
CN110827544A (zh) 一种基于图卷积循环神经网络的短时交通流控制方法
Wei et al. Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN111047078B (zh) 交通特征预测方法、系统及存储介质
Zhang et al. RCL-Learning: ResNet and convolutional long short-term memory-based spatiotemporal air pollutant concentration prediction model
Kang et al. Learning dynamic graph embedding for traffic flow forecasting: A graph self-attentive method
Dat et al. Hybrid online model based multi seasonal decompose for short-term electricity load forecasting using ARIMA and online RNN
CN113887704A (zh) 交通信息预测方法、装置、设备及存储介质
CN116504060A (zh) 基于Transformer的扩散图注意力网络交通流预测方法
Zhao et al. Mastgn: Multi-attention spatio-temporal graph networks for air pollution prediction
Niu et al. Crude oil prices and volatility prediction by a hybrid model based on kernel extreme learning machine
Boyraz et al. Streamflow prediction with deep learning
Chen et al. GDCRN: global diffusion convolutional residual network for traffic flow prediction
Yalçın Weather parameters forecasting with time series using deep hybrid neural networks
Wei et al. Short-term load forecasting using spatial-temporal embedding graph neural network
Prabowo et al. Traffic forecasting on new roads unseen in the training data using spatial contrastive pre-training
CN115830865A (zh) 基于自适应超图卷积神经网络的车流量预测方法及装置
Zhao et al. Spatiotemporal graph attention networks for urban traffic flow prediction
Lin et al. Prior Knowledge and Data-Driven Based Long-and Short-Term Fusion Network for Traffic Forecasting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201211

WD01 Invention patent application deemed withdrawn after publication