原文传递
基于图神经网络的交通信息分析技术研究
| 论文题名： | 基于图神经网络的交通信息分析技术研究 |
| 关键词： | 交通预测;时间依赖性;空间依赖性;智能交通系统;图卷积网络;交通系统 |
| 摘要： | 交通预测在智能交通系统(IntelligentTransportationSystems,ITS)中的重要作用越来越受到研究人员的关注。研究人员提出了许多提高交通预测性能的方法。由于复杂的时间相关性，空间相关性和固有的长期预测，精确的交通预测仍然具有挑战性，尤其是对于长期预测任务。本文研究基于图神经网络的交通预测算法。针对交通预测存在的挑战，本文提出了三个有效算法。本文的主要研究成果包括以下几个方面。 (1)针对长期交通流预测任务中的动态空间相关性，本章提出了一个基于时空通道注意力的图卷积网络模型(Spatial-TemporalChannel-AttentionbasedGraphConvolutionalNetwork,STCAGCN)。我们设计了一个注意力机制来学习复杂的时间和空间相关性。然后，我们开发了堆叠的时空卷积层来模拟复杂的时间和空间相关性。每一层的时空卷积层均包括门控时间卷积网络以及图卷积网络。我们开发了一个门控时间卷积网络来建模非线性时间相关性，该网络通过堆叠的扩张卷积来处理长序列。此外，图卷积网络通过学习自适应邻接矩阵来利用隐藏的空间相关性。在真实的数据集上进行实验，实验结果表明，所提出的STCAGCN模型比现有技术在长期交通流量预测方面有所改进。 (2)针对长短期交通流预测中的复杂时空相关性，本章提出了一种时空多特征融合网络(Spatial-TemporalMulti-FeatureFusionNetwork,STMFFN)。具体而言，该网络设计了一个具有时间卷积的多尺度注意力模块来捕捉不同尺度的时间依赖性。然后，提出了一个门控图卷积模块，该模块构造自适应邻接矩阵，并集成了图卷积和图聚合模块来捕获不同范围的空间相关性。此外，提出了一种多特征融合层，通过获得时间和空间特征的注意力向量来融合提取的空间和时间相关性。真实世界数据集的试验结果表明:相对于最前沿基线，持续改进了6％-9％。 (3)针对不同步长的时间依赖性和大型空间依赖性任务，本章提出了一种新的基于多尺度时间注意力的时空条件参数化图卷积网络(Multi-scaletemporalAttentionbasedspatial-temporalConditionallyParameterizedGraphConvolutionNetwork,MA-CPGCN)。具体地讲，MA-CPGCN从不同的尺度捕捉空间、短期和长期的依赖性。特别是，开发了多尺度注意力，以联合利用自注意力和深度卷积来对多个时间步长的短时间和长时间特征进行建模。此外，提出了一种条件参数化的图卷积网络来动态建模不同范围的空间特征。在真实世界数据集上的实验结果表明，所提出的MA-CPGCN模型比最先进的模型实现了改进，特别是在长期交通预测方面。 |
| 作者： | 王琰 |
| 专业： | 计算机科学与技术 |
| 导师： | 任倩倩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 黑龙江大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
