基于图卷积网络的交通预测方法研究

由于交通预测问题的时空复杂性,在智能交通系统中完成预测是一项具有挑战性的任务。虽然交通预测的时间依赖性已经得到很好的研究和讨论,但由于空间依赖的变化较大,特别是在城市复杂交通环境中,对空间依赖的交通预测研究相对较少。该文提出一种新的图卷积预测网络模型,并将其应用于两个具有不同几何约束的城市交通网络。首先,该模型利用多重加权邻接矩阵对速度数据进行图形卷积运算,将速度限制、距离和道路角度等特征组合在一起。其次,对组合特征进行空间隔离降维运算,以学习特征之间的依赖关系,并将输出的大小降低到计算可行水平。然后,将多权图卷积网络的输出应用于具有长短期记忆单元模型,以学习时间依赖。最后,将所提出的预测网络应用于城市核心区和城市混合区两个交通网络,其性能不仅优于其余六种比较模型,而且降低了城市混合区交通网络的预测方差。结果表明,所提出的预测网络能够在不同的空间复杂度下提供稳健的交通预测性能,这在城市交通预测中具有很强的优势。