基于图卷积神经网络的城市交通态势预测算法

发布时间：2020-12-12 03:08

　　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. 

【文章来源】：浙江大学学报(工学版). 2020年06期 第1147-1155页 北大核心

【文章页数】：9 页

【参考文献】：
期刊论文
[1]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰.  武汉大学学报(信息科学版). 2014(06)
[2]城市智能交通系统的发展现状与趋势[J]. 陆化普,李瑞敏.  工程研究-跨学科视野中的工程. 2014(01)
[3]交通流预测方法综述[J]. 刘静,关伟.  公路交通科技. 2004(03)



本文编号：2911741