科研之友
微信
新浪微博
Facebook
分享链接
摘要
交通预测是城市智能交通系统的一个重要研究组成部分，使人们的出行更加效率和安全。由于复杂的时间和空间依赖性，准确预测交通流量仍然是一个巨大的挑战。近年来，图卷积网络(GCN)在交通预测方面表现出巨大的潜力，但基于GCN的模型往往侧重于单独捕捉时间和空间的依赖性，忽视了时间和空间依赖性之间的动态关联性，不能很好地融合它们。此外，以前的方法使用现实世界的静态交通网络来构建空间邻接矩阵，这可能忽略了动态的空间依赖性。为了克服这些局限性，并提高模型的性能，提出了一种新颖的时空Graph-CoordAttention网络(STGCA)。具体来说，提出了时空同步模块，用来建模不同时刻的时空依赖交融关系。然后，提出了一种动态图学习的方案，基于车流量之间数据关联，挖掘出潜在的图信息。在4个公开的数据集上和现有基线模型进行对比实验，STGCA表现了优异的性能。
- 单位
