基于DWT-GCN的短时交通流预测

作者：王雨松^*; 吴向东; 尤晨欣; 廖聪

来源：计算机系统应用, 2022, 31(09): 306-312.

DOI：10.15888/j.cnki.csa.008682

• 交通流预测
• 离散小波变换
• 图卷积神经网络
• 时空特征

交通流预测是智慧交通领域的研究热点之一,为了深层次地挖掘交通流序列的时空特征,提高预测精度,提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network,GCN)短时交通流预测模型.首先,利用DWT算法将原始交通序列分解为细节分量与近似分量,降低交通流数据的非平稳性;其次,引入距离因子项优化GCN模型中的邻接矩阵,进一步提取路网的空间特征;最后,将DWT分解的各组分量数据分别作为GCN模型的输入进行预测,并对各组预测结果进行重构,得到最终预测值.利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试,结果表明,该模型相比于ARIMA、WNN、GCN,平均绝对误差平均降低57%,平均绝对百分比误差平均降低59%,是一种有效的短时交通流预测方法.