基于门控循环图卷积网络的交通流预测

作者：汪鸣; 彭舰^*; 黄飞虎

来源：计算机应用研究, 2022, 39(08): 2301-2305.

DOI：10.19734/j.issn.1001-3695.2022.01.0026

• 交通流量预测
• 图卷积网络
• 门控循环单元
• 编码解码结构

交通流预测在智能交通系统的建设中起着关键性的作用,然而现有预测方法无法准确地挖掘其潜在的时空相关性,而且大多采用全连接网络进行单步预测。为了进一步挖掘数据的时空特性以及提升长短期预测的精度,提出了一种门控循环图卷积网络(GR-GCN)模型。首先,利用频域上的图卷积结合门控循环单元(GRU)构建一个时空组件(STC)以同时捕获节点的时空相关性,充分地提取数据的时空特征;然后,利用该时空组件构成编码器单元,并将时间序列数据和路网结构数据输入其中;最后,使用门控循环单元作为解码器单元,并按照时间顺序将两者组成一个编码器—解码器(encoder-decoder)结构,依次解码出每个时刻的预测结果。在加利福尼亚交通局(Caltrans)性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验。结果表明,所提模型GR-GCN在预测未来15 min、30 min、45 min和60 min的交通流量方面优于大多数现有基准模型,尤其是在长期预测方面。

• 单位
  四川中电启明星信息技术有限公司; 四川大学