重庆理工大学学报2023，Vol.37Issue(15) ：185-193.DOI:10.3969/j.issn.1674-8425(z).2023.08.021

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

张建旭 金宏意 胡帅 王雪芹
重庆理工大学学报2023，Vol.37Issue(15) ：185-193.DOI:10.3969/j.issn.1674-8425(z).2023.08.021
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

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

张建旭 1金宏意 2胡帅 2王雪芹2
扫码查看

作者信息

  • 1. 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
  • 2. 重庆交通大学 交通运输学院,重庆 400074
  • 折叠

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.

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

Key words

factor correlation matrix/multi-factor fusion spatio-temporal graph neural network/graph convolutional network/graph attention network/gated recurrent unit

引用本文复制引用

基金项目

国家自然科学基金(52078070)

出版年

2023
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
被引量1
参考文献量3
段落导航相关论文