科研之友
微信
新浪微博
Facebook
分享链接
摘要
准确实时的交通预测在交通管理和规划中起重要作用，而交通数据是典型的时空数据，目前大部分的预测方法没有完全考虑交通数据的动态时空相关性、周期性和稳定预测性能等要素。针对这些要素，本文提出了一种时空注意图卷积网络(spatial-temporal attention graph convolutional network, STAGCN),该网络采用了Encoder-Decoder框架，其中k阶切比雪夫(ChebNet)图卷积网络用于提取交通网络的空间相关性，同时将历史时间步长和与预测时间段间隔相同的周交通数据堆叠作为输入，更好地捕获时间和周期性。在解码器中加入时间注意机制，自适应地学习编码器输出中更重要的部分。此外，设计了残差网络稳定预测性能。最后，在2个真实的交通数据集上进行大量实验，结果表明STAGCN优于其他现有的方法。
- 单位
