基于生成对抗网络的时空交通数据预测方法研究

交通流预测是时空数据挖掘领域的一个核心研究方向,其挑战在于交通流的高度非线性和复杂模式使得预测结果难以满足实际需求。现有方法往往忽略了时空动态性建模以及整合外部环境因素的重要性,因此,提出一种基于生成对抗网络(GAN)的时空图交通流预测方法,通过无监督学习时空图特征表示,实现更精确的时空序列图预测。所提出的方法采用GAN结构,通过博弈学习数据的分布并进行变分推理。实验结果表明,基于GAN的时空图交通预测方法在中国台湾高速交通数据集上的表现优于基线方法,能够更有效地解决预测结果平滑性的问题,获得更高效和准确的预测结果。