基于GCN-BiLSTM的短时交通流预测模型

作者：张阳; 胡月; 陈德旺; 陈云飞

来源：武汉理工大学学报(交通科学与工程版), 2023, 47(05): 802-806.

• 深度学习
• 交通流预测
• BiLSTM
• GCN
• 城市路网

文中提出图卷积网络(GCN)与双向长短时记忆神经网络(BiLSTM)组合短时交通流预测模型.利用图卷积网络提取路网拓扑结构解决拓扑关系问题，提取路网间的空间特征，利用双向长短时记忆神经网络用于学习交通数据的动态变化以获取时间相关性，融合GCN-BiLSTM模型同时考虑路网时空关系实现交通流预测.结果表明：文中提出的方法能更好地适应在不同交通流特性条件下的交通流，工作日和周末的预测偏差相较于经典算法降低12.24%和13.20%.

• 单位
  福建工程学院; 交通运输学院; 物理学院