.png){kind=icon}
返回
Attention-based spatial-temporal synchronous graph convolution networks for traffic flow forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06341-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的城市交通流量预测对于交通控制、规划和检测至关重要。大多数现有的时空建模方法在同步捕捉复杂的长短期时空依赖关系时，忽视了道路网络节点之间的隐藏动态相关性以及时间序列的非平稳性。为此，本文提出了一种基于注意力机制的时空同步图卷积网络（AST-SGCN），用于捕捉长短期复杂的时空相关性。具体而言，我们设计了一种利用时空同步计算的自我注意力机制，以高效挖掘随交通变化而动态变化的时空相关性，并增强计算效率。然后，我们构建了一个包含历史数据和节点向量的残差自适应邻接矩阵，通过图卷积层来促进时空图节点的信息传递，并挖掘隐藏的时空依赖关系。接下来，我们建立了一个傅里叶变换层（FTL）来处理非平稳数据。最后，我们开发了一个时空混合堆叠模块，用于捕捉复杂的长短期时空相关性，其中部署了两层图卷积和一层自我注意力机制。在三个真实交通流量数据集上的大量实验结果表明，我们的AST-SGCN模型优于比较模型。
Keyword:
Traffic forecasting
Graph neural networks
Spatial-temporal modeling
Fourier transform
Attention mechanism
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架
OAAI
OAAI分享收藏Attention-based spatial–temporal adaptive dual-graph convolutional network for traffic flow forecasting基于注意力机制的空间-时间自适应双图卷积网络用于交通流量预测
PREAI
分享收藏Modeling and Forecasting Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results作为季节性ARIMA过程的车辆交通流建模和预测: 理论基础和实证结果
PREAI
分享收藏
查看更多内容