科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对交通流量预测中预定义静态图结构难以包含全局时空信息和非平稳性的问题，提出一种结合变分模态分解（VMD）和自适应图卷积门控循环网络（AGCGRN）的交通流量预测模型。该模型首先利用VMD算法将原始交通流量序列数据分解成一系列调幅调频的本征模态函数分量，降低序列的非平稳性。然后引入自适应邻接矩阵建立自适应图卷积网络，并将自适应图卷积嵌入门控循环单元中，设计一种AGCGRN，实现自适应学习每个节点交通流量的时空特性。最后利用AGCGRN模型对各分量进行预测，并将各分量的预测值重构得到最终的预测值。采用PeMS04数据集进行实验验证，并与7种模型进行对比。实验结果表明，所提模型相较其他模型在预测性能上均有不同程度的提升，相比次优的模型在平均绝对误差、均方根误差和平均绝对百分比误差上均降低33%以上。为了评估所提模型中各个组件的有效性，将所提模型与各个消融模型进行对比，结果表明所提模型相比各个消融模型在以上3个评价指标上均降低15%以上，说明该模型在交通流量预测中的可行性和优越性。
- 单位
