用于交通流预测的自适应图生成跳跃网络

针对交通流数据复杂的时空相关性,提出新的基于深度学习的自适应图生成跳跃网络(AG-JNet模型).该模型由2个时空模块组成,每个时空模块分为2支,分别对时间相关性和空间相关性建模.时间建模采用多层扩张卷积,在增大时间维度感受野的同时降低计算开销.空间建模采用自适应图生成卷积,在不依赖图的固定结构下提取空间相关性.在时间和空间的建模中均采用跳跃连接堆叠多层,以提升模型的深层特征提取能力,将时间特征和空间特征进行门控融合,提取出用于交通流量预测的时空特征.在2个真实数据集PeMSD4和PeMSD8上的实验表明,AG-JNet在不同指标下取得了优异的性能.