基于图注意力机制的城市路网短时交通速度预测

针对城市路网短时交通速度预测问题,在考虑路网交通状态时空相关性的情况下,提出一种基于图注意力机制的预测方法。该方法利用图注意力网络(GAT)和门控循环单元(GRU)构建了GAT-GRU模型,在路网层面对交通状态的时空相关性进行有效地建模,进而预测路网短时交通速度。以城市道路网的交通速度数据为数据源展开数值实验,结果表明GAT-GRU模型的表现均优于对比模型。

基于多任务学习时间卷积网络的路网短时交通速度预测

短时路网交通速度预测是智能交通系统的重要技术。基于深度学习,文章提出了一种多任务学习时间卷积网络(Multi-Task Learning Temporal Convolutional Network,MTL-TCN),用于预测路网层面的短时交通速度。以广州市路网交通速度数据为数据源展开对比实验,结果表明MTL-TCN模型优于经典方法和深度学习方法。