基于时空卷积注意力网络的道路速度预测研究--以宁波主要路网为例

针对交通流数据建模时空特性挖掘不足的问题,提出了STGAN网络。运用时空图卷积和注意力机制挖掘道路网络时空规律。注意力机制使得网络对相邻道路和历史时间数据的关注度不同,其分组注意力卷积的机制能够使得网络训练摆脱路网空间拓扑规模的限制,并使模型可运用在较大规模的路网上。实验表明,STGAN模型在宁波高、快速路和主干路上速度预测误差比DCRNN小,在宁波数据集上预测速度表现出良好的精度。

考虑数据缺失的城市道路运行速度预测方法

为解决道路运行速度预测实际应用中数据缺失和预测精度低的问题,提出了一种基于时空图卷积的速度预测模型(STGCN)。通过引入时空图卷积机制来建模路网速度的时间依赖和空间依赖关系,可有效提取动态和多模态的路网速度时空依赖。针对工程应用中数据缺失问题,在深圳道路运行速度数据集上,基于均值、小波滤波和cart树分别对缺失数据进行补全,并在模型训练时采取掩码机制,增加可用的训练数据量,降低数据缺失对模型精度影响。模型预测结果表明,对于相同的数据集,与常见的FC-LSTM模型相比,STGCN模型可提升2.32%的预测精度,引入cart树进行缺失数据补全后速度预测误差降低3.45%,按照不同道路等级分类后分别对模型训练时模型预测精度MAPE降低4.35%。STGCN模型对于国内真实数据下的道路运行速度预测分析和提升速度精度具有重要意义。