本技术介绍了一种优化的时空图卷积神经网络用于交通流量预测的方法。该方法通过结合门控循环单元和注意力机制进行图学习,以邻接矩阵形式获取交通流量数据,进而实现精准预测。
背景技术
交通预测作为智能交通系统(ITSs)的重要组成部分,可以为城市交通网络的管理和规划提供科学依据。交通部门可以根据预期的交通情况,提前调配和引导交通流量,改善行车条件,缓解交通拥堵压力。基于历史时间序列数据进行准确的交通流量预测是一项艰巨的挑战,因为它往往需要收集复杂的空间和时间关系,需要同时建模时间序列内的趋势和序列之间的相关性。
随着数学理论和现代技术的发展,进一步提高交通预测的准确性意味着对道路管理可观的经济和安全利益,这些潜在的利益促进了交通预测模型的不断改进。其中,实时交通预测可以在降低预测延时的同时,为智能交通系统提供合理的交通引导,降低车辆通勤的运行压力,这些都是交通管理部门所关心的问题。因此,智能交通系统需要一种能实时反映交通状态,并能提供直观参考范围的新方法。
图神经网络(GNN)凭借其对图数据处理的优越性,在处理交通数据方面取得了相当大的成功。因为GNN在整个结构中传递信息,这样图中的每个节点都可以访问关于其附近环境的信息。使用图神经网络建模多变量时间序列数据是一种可能的方法,可以将序列中的变量描绘为由隐藏依赖项连接的图中的节点,在捕获相互依赖项的同时保留序列的时间轨迹。在现有的复杂模型中,图卷积网络(GCN)经常被用于描述图数据的空间相关性。为了用于流量预测情况,T-GCN和STGCN直接将GCN与时间模块(如LSTM,GRU)堆叠在一起,这些模块在时域中专门记录时间模式,增加模型对数据时空特征的感知。但现有的方法往往依赖于预先设置的道路拓扑结构,否则无法发挥出实际的性能。
实现思路