典型文献
区域-道路时空图网络:一种基于图神经网络的流量预测模型
文献摘要：
交通预测在城市规划中具有重要意义.由于交通流具有复杂的时空相关性,交通预测的任务一直面临着许多挑战.现有的方法通常利用上层区域图上的观测特征序列来学习和评价交通状况,而忽略了具有丰富语义的底层路网.为了克服这一缺点,本文将空间数据建模为观测图和隐藏图,并提出了一种新的交通预测框架:区域-道路时空图网络(R2RSTGN).为了学习道路网络和观测到的交通信息之间隐藏的相互作用,本文同时考虑区域和细粒度道路并提出了一种压缩注意力机制,可以为预测提供解释结果.在两个真实数据集上的实验结果验证了该框架的有效性.
文献关键词：
图模型;交通预测;神经网络;序列模型;注意力机制
中图分类号：
作者姓名：
金高铭;刘安;孙玉娥;于金刚
作者机构：
苏州大学计算机科学与技术学院,江苏苏州215006;苏州大学轨道交通学院,江苏苏州215137;中国科学院沈阳计算技术研究所,沈阳110168
文献出处：
引用格式：
[1]金高铭;刘安;孙玉娥;于金刚-.区域-道路时空图网络:一种基于图神经网络的流量预测模型)[J].小型微型计算机系统,2022(09):1801-1807
A类：
R2RSTGN
B类：
时空图网络,图神经网络,流量预测模型,交通预测,城市规划,交通流,时空相关性,常利,特征序列,交通状况,富语义,空间数据,数据建模,道路网络,交通信息,文同,细粒度,注意力机制,真实数据,图模型,序列模型
AB值：
0.34213
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。
