基于图卷积神经网络的城市交通态势预测算法

• 作者: 王程 程明 臧彧 范晓亮 郑传潘 闫旭 陈龙彪
• 来源期刊: 浙江大学学报（工学版）
• 学科: 工学
• 关键词: 交通流预测 深度学习 图卷积神经网络 时空依赖性 自由流动可达矩阵
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 计算机控制技术
• 页码范围: 1147-1155
• 页数: 9页
• 分类号: TP399
• 字数: 8440字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2020.06.011

摘要

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法:基于自由流动可达矩阵的时空图卷积深度神经网络(FAST-GCN).利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证.结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积(STGCN)等基线算法,其在45 min的预测准确率最好可提高5.656％;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程明	厦门大学信息学院	13	206	6.0	13.0
2	闫旭	厦门大学信息学院	1	0	0.0	0.0
3	范晓亮	厦门大学信息学院	1	0	0.0	0.0
4	郑传潘	厦门大学信息学院	1	0	0.0	0.0
5	臧彧	厦门大学信息学院	1	0	0.0	0.0
6	王程	厦门大学信息学院	3	2	1.0	1.0
7	陈龙彪	厦门大学信息学院	1	0	0.0	0.0