计算机应用研究

作者：汪鸣,彭舰,黄飞虎,

单位：1.四川大学计算机学院,成都610065；2.四川中电启明星信息技术有限公司,成都610041；

关键词：交通流量预测,图卷积网络,门控循环单元,编码解码结构,

基金：四川省重点研发计划资助项目(2020YFG0089,22ZDYF3599,2020YFG0304,2020YFG0308)；；

交通流预测在智能交通系统的建设中起着关键性的作用，然而现有预测方法无法准确地挖掘其潜在的时空相关性，而且大多采用全连接网络进行单步预测。为了进一步挖掘数据的时空特性以及提升长短期预测的精度，提出了一种门控循环图卷积网络（GR-GCN）模型。首先，利用频域上的图卷积结合门控循环单元（GRU）构建一个时空组件（STC）以同时捕获节点的时空相关性，充分地提取数据的时空特征；然后，利用该时空组件构成编码器单元，并将时间序列数据和路网结构数据输入其中；最后，使用门控循环单元作为解码器单元，并按照时间顺序将两者组成一个编码器—解码器（encoder-decoder）结构，依次解码出每个时刻的预测结果。在加利福尼亚交通局（Caltrans）性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验。结果表明，所提模型GR-GCN在预测未来15 min、30 min、45 min和60 min的交通流量方面优于大多数现有基准模型，尤其是在长期预测方面。

来源：2022年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第8期