基于图卷积神经网络的城市交通态势预测算法

作者：闫旭; 范晓亮; 郑传潘; 臧彧; 王程; 程明; 陈龙彪

来源：浙江大学学报(工学版), 2020, 54(06): 1147-1155.

DOI：10.3785/j.issn.1008-973X.2020.06.011

• 交通流预测
• 深度学习
• 图卷积神经网络
• 时空依赖性
• 自由流动可达矩阵

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法:基于自由流动可达矩阵的时空图卷积深度神经网络(FAST-GCN).利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证.结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积(STGCN)等基线算法,其在45 min的预测准确率最好可提高5.656%;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性.

• 单位
  厦门大学