文献类型：期刊文章

作　　者：戴俊明[1] 曹阳[1,2] 沈琴琴[2] 施佺[1,2]

Dai Junming;Cao Yang;Shen Qinqin;Shi Quan(College of Information Science&Technology,Nantong University,Nantong Jiangsu 226019,China;College of Transportation&Civil Engineering,Nantong University,Nantong Jiangsu 226019,China)

机构地区：[1]南通大学信息科学技术学院,江苏南通226019 [2]南通大学交通与土木工程学院,江苏南通226019

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61771265);江苏高校“青蓝工程”项目;南通市科技计划项目(MS22021034,JC2021198);南通市“226”科研项目(131320633045);南通大学信息科学技术学院研究生科研与实践创新计划项目(NTUSISTPR21-007)。

年　　份：2022

卷　　号：39

期　　号：3

起止页码：780-784

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：交通流预测在交通管理和城市规划的应用中具有重要意义,然而现有的预测方法无法充分挖掘其潜在的复杂时空相关性,为进一步挖掘路网道路网络数据的时空特性以提高预测精度,提出一种多时空图卷积网络(multi-spatial-temporal graph convolutional network,MST-GCN)模型。首先,利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性;其次,分别提取周相关、日相关、邻近时间的序列数据,输入三个时空组件以深度挖掘不同时间窗口间的时间相关性;最后,将时空组件与编码器—解码器网络结构(encoder-decoder)融合组建MST-GCN模型。利用加利福尼亚州交通局(Caltrans)性能评估系统中高速公路数据集PEMS04和PEMS08进行实验,结果表明新模型的性能明显优于门控循环单元模型和最近提出的扩散卷积循环神经网络(DCRNN)、时间图卷积网络(T-GCN)、基于注意力机制的时空图卷积神经网络(ASTGCN)和时空同步图卷积网络(STSGCN)模型。

关 键 词：交通流预测 时空相关性  编码器—解码器  切比雪夫多项式 图卷积网络  

分 类 号：TP18] U491.1]