科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着智慧城市系统的技术发展与城市时空数据的急剧增加，公共服务需求也日益受到重视。公共交通作为城市交通中至关重要的组成部分，同样面临着巨大的挑战，并且交通网络的时空预测任务往往是解决各种交通问题的核心一环。交通中的移动模式可以体现城市人群的出行行为及其规律，大多数交通预测任务研究中，移动模式的重要性经常被忽视。针对现有工作的问题，提出了一种多模式的交通预测框架(MPGNNFormer),使用基于图神经网络的深度聚类的方法提取站点的移动模式，并设计了一种基于Transformer的时空预测模型，在充分利用时间依赖关系和空间依赖关系的同时，提高了计算效率。在现实的公交车数据集上展开了一系列实验以进行评估和测试，包括移动模式的分析和预测结果对比，实验结果证明了所提方法在交通网络的长短期交通预测上的有效性。最后讨论了所提方法可扩展性。
- 单位
