原文传递
基于图神经网络的路网短时交通流预测算法研究
| 论文题名： | 基于图神经网络的路网短时交通流预测算法研究 |
| 关键词： | 交通流预测;图神经网络;门控循环单元;信息融合;动态图卷积 |
| 摘要： | 随着城市化进程的加快，智能交通系统为人们的日常出行提供了极大的便利，交通流量预测是智能交通领域的一项基础性且具有挑战性的任务，理解交通流量的动态性和预测交通系统的未来状态对于城市建设是必不可少的。交通流量在空间和时间上均具有复杂的依赖关系，高效准确地预测交通流量问题的难点在于如何从交通流量时间序列数据中对数据的复杂空间和时间相关性进行建模。针对现有交通流预测模型在时空特征挖掘中不够充分、对时空关系建模不够完备的问题，论文提出了两个基于图神经网络的交通流预测模型： 1.针对现有交通流预测研究仅对属性值进行特征采集，未添加外部因素的问题，论文研究了一种基于多信息融合和图注意力网络的交通流预测方法，弥补了现有研究未融合外部信息进行预测的短板。交通流量的非线性变化特征不仅与时间和空间的特征相关，而且受到了多种流量之外因素的影响，如传感器节点周围的建筑集群属性和天气。现有的研究少有将外部因素融入到预测模型中，本文将外部因素分为静态因素和动态因素于不同模块内融入训练，同时使用图注意力网络捕获空间特征，使用门控循环单元为基础的编解码器捕获时间特征，最后通过实验证明了多信息融合和图注意力模块对预测效果提升的有效性。 2.针对现有交通流预测研究使用预定义图捕捉特征，导致空间的动态性特征难以学习的问题，论文研究了一种基于多信息融合和动态图网络的交通流预测方法，解决了常规方法难以学习空间流动性的动态变化的问题。交通流量的空间特征往往由道路的物理结构预定而成，而实际的交通节点之间的流动特性不仅会跨节点流动，还会随着时间变化而改变流通性。针对这个问题，论文设计了一种动态图和静态图同步卷积的方法，同时使用空间编码模块对节点进行嵌入，分别将空间特征向量输入到静态图卷积和动态图生成，将两类图通过双向图卷积输出节点空间特征，同时为了提升对于长期信息的依赖关系，在门控循环单元加入了多头注意力机制。最后通过实验验证，模型在交通流预测任务上取得优异的效果。 |
| 作者： | 胡晓荣 |
| 专业： | 电子信息 |
| 导师： | 刘欣刚 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
