基于改进STGCN深度学习框架的交通速度预测

来源：计算机技术与发展杂志2024年第11期北京时间：

作者：孙大盟;欧阳安杰;何立明

摘要：实时准确的交通速度预测对于加快智慧交通建设和推动智能交通系统发展至关重要。 然而交通网络具有复杂的空间结构和动态随机的时变特征,致使现有预测方法无法准确捕捉其隐藏的时空相关性。 为了充分挖掘数据中隐藏的动态时空特性,并提高预测准确性,该文提出了一种基于 STGCN 框架的交通速度预测改进算法,即时空注意力图神经网络(STA-GNN)。 该算法采用可学习的位置注意力机制,有效聚合邻近节点信息,从而获取道路网络中的空间相关性。 同时,引入带有门控机制的以一维因果卷积网络为内核的时序卷积网络,来捕获时间序列中的时间相关性,并通过残差块连接来提高模型的泛化能力。 所提方法在 PeMSD7 数据集上进行了 15 分钟、30 分钟和 45 分钟的交通速度预测实验。 实验结果显示,该模型在 45 分钟预测任务中,均方根误差相较于 STGCN 模型降低了约 10. 2% 。 表明 STA-GNN 模型在中长期交通速度预测任务中表现更为出色。

关键词：智慧交通系统;交通速度预测;图卷积网络;位置注意机制;时空相关性