基于生成对抗和图卷积网络的含缺失值交通流预测模型

为提升含缺失值城市道路网络交通流预测的准确性,对生成对抗网络的生成器和判别器进行重构,改进了损失函数,提出了交通流缺失数据补全的交通生成对抗插补网络。基于经验模态分解、图卷积网络和门控循环单元设计了EMD-GCN-GRU城市道路网络交通流预测模型。首先,对交通流数据进行经验模态分解,重构了各同级分量为后续预测模型的输入。然后,利用图卷积网络学习路网拓扑结构,捕获了交通流空间特征,再利用门控循环单元捕获交通流时间特征。最后,利用TGAIN补全含缺失值的路网交通流数据后,再利用EMD-GCN-GRU模型进行交通流预测。采用深圳市罗湖区平均车速数据集,构造了多种具有不同缺失模式和不同缺失比率的交通流数据用于模拟实际缺失情形,在ModelArts开发平台进行方法的有效性验证。结果表明:相较于常用的矩阵分解插补方法,TGAIN模型在数据集随机缺失模式下补全准确性较高,在非随机缺失率低于50%时补全性能较好;与其他预测算法相比,EMD-GCN-GRU交通流预测模型具有更高的预测精度;将数据补全方法TGAIN和交通流预测方法EMD-GCN-GRU相结合进行含缺失值城市道路网络交通流预测,显著降低了数据缺失和数据噪声对交通流预测的负面影响,捕获了路网交通流的时空相关性,进而提升了城市道路网络交通流预测的精度。