.png){kind=icon}
返回
A deep graph convolution spatial-temporal attention learning model for traffic flow prediction
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/add955.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为一种解决复杂交通过程中难测量变量在线测量挑战的有效手段，基于深度学习的交通流量预测凭借其强大的数据特征提取能力，已发展成为软测量领域的主要研究目标之一。然而，现有的大部分交通流量预测方法采用时空块的堆叠结构来捕捉交通流量特征，这限制了其解决由深度堆叠图卷积网络（GCN）引起的过平滑问题，以及基于级联结构的时空注意力学习所承受的交互效应。在本文中，我们采用顺序结构连接时空模块和注意力模块，以实现时空相关性学习。在此基础上，我们提出了一种深度图卷积时空注意力学习网络，该网络同时考虑大范围空间依赖性和全局联合时空相关性，用于预测交通流量。具体而言，我们的模型采用了深度堆叠GCN模块来捕捉交通流量数据的多尺度空间特征，这些特征通过结合残差网络、跳跃连接和多层感知器构建而成。随后，使用门控时序卷积学习时序特征。最后，引入时空注意力机制以同时捕捉空间和时间维度上的动态全局相关性。基于PeMSD3、PeMSD4、PeMSD7和PeMSD8四个真实世界交通流量数据集的实验结果表明，所提出模型的预测精度优于其他基线模型。此外，它能够有效缓解过平滑效应，同时保持可管理的计算开销。
Keyword:
intelligent transportation
traffic prediction
graph convolutional networks
gated temporal convolution
attention mechanism
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
Prediction of bearing remaining useful life based on a two-stage updated digital twin基于两阶段更新数字孪生的轴承剩余寿命预测
.png){kind=icon}
PREAI
分享收藏A Hybrid Deep Learning Model With Attention-Based Conv-LSTM Networks for Short-Term Traffic Flow Prediction基于注意力的conv-lstm混合深度学习模型的短时交通流预测
OAAI
OAAI分享收藏分享收藏Attention-based dynamic spatial-temporal graph convolutional networks for traffic speed forecasting基于注意力的动态时空图卷积网络的交通速度预测
PREAI
分享收藏分享收藏Domain-Specific Language Model Pretraining for Biomedical Natural Language Processing面向生物医学自然语言处理的领域语言模型预训练
OAAI
OAAI分享收藏分享收藏
查看更多内容