典型文献
基于门控循环图卷积网络的交通流预测
文献摘要：
交通流预测在智能交通系统的建设中起着关键性的作用,然而现有预测方法无法准确地挖掘其潜在的时空相关性,而且大多采用全连接网络进行单步预测.为了进一步挖掘数据的时空特性以及提升长短期预测的精度,提出了一种门控循环图卷积网络(GR-GCN)模型.首先,利用频域上的图卷积结合门控循环单元(GRU)构建一个时空组件(STC)以同时捕获节点的时空相关性,充分地提取数据的时空特征;然后,利用该时空组件构成编码器单元,并将时间序列数据和路网结构数据输入其中;最后,使用门控循环单元作为解码器单元,并按照时间顺序将两者组成一个编码器—解码器(encoder-decoder)结构,依次解码出每个时刻的预测结果.在加利福尼亚交通局(Caltrans)性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验.结果表明,所提模型GR-GCN在预测未来15 min、30 min、45 min和60 min的交通流量方面优于大多数现有基准模型,尤其是在长期预测方面.
文献关键词：
交通流量预测;图卷积网络;门控循环单元;编码解码结构
中图分类号：
作者姓名：
汪鸣;彭舰;黄飞虎
作者机构：
四川大学计算机学院,成都610065;四川中电启明星信息技术有限公司,成都610041
文献出处：
引用格式：
[1]汪鸣;彭舰;黄飞虎-.基于门控循环图卷积网络的交通流预测)[J].计算机应用研究,2022(08):2301-2305
A类：
Caltrans,PeMSD4,PeMSD8
B类：
图卷积网络,交通流预测,智能交通系统,时空相关性,全连接网络,单步,时空特性,长短期,短期预测,GCN,频域,门控循环单元,GRU,STC,提取数据,时空特征,编码器,时间序列数据,路网结构,解码器,encoder,decoder,加利福尼亚,交通局,性能评估系统,高速公路,路数,预测未来,长期预测,交通流量预测,编码解码结构
AB值：
0.286379
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
