科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对当前高速公路与城市快速路交通拥堵现象愈发严重，为交通管理与控制造成巨大困难的问题，提出了一种基于广义时空图卷积网络(GSTGCN)的交通速度预测模型；基于交通数据自身具有的复杂时空特性，定义了广义交通数据图结构，同时构建了广义图的邻接关系；基于图卷积网络基础理论，采用切比雪夫近似与一阶近似简化了图卷积操作的计算成本，建立了广义图卷积算子；结合广义图卷积模块、标准卷积模块与线性全连接层，提出了用于提取复杂交通数据时间、空间特征的GSTGCN模型；利用美国威斯康星州密尔沃基市快速路网上架设的38个检测器，在21个工作日以每5 min为单位记录了车辆速度、流量和占有率数据，测试了GSTGCN模型在该数据集上的短期交通速度预测精度与训练效率。分析结果表明：相较于传统自回归求和滑动平均(ARIMA)模型、长短时记忆(LSTM)模型以及近期的STGCN模型，GSTGCN模型在交通速度的均方根误差、平均绝对误差和平均绝对百分比误差指标上分别降低了22.79%、22.97%和16.73%;此外，GSTGCN模型的训练时长比STGCN模型和LSTM模型分别降低了5.17%和75.71%。可见，GSTGCN模型能够有效处理复杂交通时空数据结构，准确预测交通速度，并为交通管控提供交通群体的运动态势信息。
- 单位
