基于图神经网络的短时交通流预测技术研究

由于当前交通流预测中各参数之间的关联性不能在模型中加以呈现,因此提出了多因素融合的图注意力交通流预测模型(MFI-GAT),将交通流量和交通平均速度两个参数通过残差网络进行融合,并将交通流特征矩阵与天气属性矩阵结合起来,使用图注意力网络(GATs)来捕捉空间特征,并通过添加了注意力机制的门控循环单元(AGRUs)来捕捉时间特征,通过采用真实数据集进行试验,证明该模型与现有部分模型相比准确率有所提升。