文档名：多因子融合时空图神经网络的交通参数预测
摘要：针对路网级交通参数预测时空特性挖掘不足的问题,提出一种多因子融合时空图神经网络(MF-STGNN).该模型从路网地理拓扑结构、通行能力和道路交通数据相关性3个角度挖掘路网的空间特征,再通过时间模块(GRU)提取时间特征.在多因子空间特征聚合模块(MF-GNN)中,构建了3个因子关联矩阵;将其中的通行能力关联矩阵C和交通数据关联矩阵D输入到基于频域的图卷积网络(GCN)中,将空间近邻矩阵A输入到图注意力网络(GAT)中,分别提取3种不同的空间特征,将3种特征通过通道注意力模型进行融合,通过GRU提取时间特征.使用重庆市渝北区部分区域浮动车数据集进行实验,结果表明:MF-STGNN能够更好地捕捉路网的时空特性,提高预测精度.
作者：张建旭 金宏意 胡帅 王雪芹 Author：ZHANGJianxu JINHongyi HUShuai WANGXueqin
作者单位：重庆交通大学交通运输学院,重庆400074;重庆交通大学山地城市交通系统与安全重庆市重点实验室,重庆400074重庆交通大学交通运输学院,重庆400074
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2023, 37(15)
分类号：U495
关键词：因子关联矩阵 多因子融合时空图神经网络 图卷积网络 图注意力网络 门控循环单元
Keywords：factorcorrelationmatrix multi-factorfusionspatio-temporalgraphneuralnetwork graphconvolutionalnetwork graphattentionnetwork gatedrecurrentunit
机标分类号：U491TP391F293.2
在线出版日期：2023年9月26日
基金项目：国家自然科学基金多因子融合时空图神经网络的交通参数预测[
期刊论文] 重庆理工大学学报--2023, 37(15)张建旭 金宏意 胡帅 王雪芹针对路网级交通参数预测时空特性挖掘不足的问题,提出一种多因子融合时空图神经网络(MF-STGNN).该模型从路网地理拓扑结构、通行能力和道路交通数据相关性3个角度挖掘路网的空间特征,再通过时间模块(GRU)提取时间特征....参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
多因子融合时空图神经网络的交通参数预测 Traffic parameter prediction based on multi-factor fusion spatio-temporal graph neural network
多因子融合时空图神经网络的交通参数预测.pdf
- 文件大小:
- 2.74 MB
- 下载次数:
- 60
-
高速下载
|
|
