.png){kind=icon}
返回
Attention dynamic graph convolutional network for traffic flow prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112642.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通流量预测对智能交通系统至关重要，能够支持有效的城市规划、交通管理和应急响应。现有方法依赖邻接矩阵来建模交通网络连接，但由于静态或数据受限的动态矩阵，往往难以捕捉实时动态和复杂的时空依赖关系。为解决这些挑战，我们提出了一种注意力动态图卷积网络（ADGCN），该网络集成了自适应动态图卷积网络、一种新颖的轻量级门控循环单元（GRU）和增强的注意力机制。轻量级门控循环单元在标准门控循环单元的基础上实现了显著的效率提升。通过优化其门控机制并缩减隐藏层维度，该单元参数量更少，训练时间缩短19 %–47 %。这些改进使其非常适合部署在资源受限的设备上，并适用于实时交通应用。动态图生成方法利用输入特征和节点嵌入，结合归一化和非线性变换，能够有效捕捉演变的时空依赖关系，无需预定义的图结构，从而增强了对波动交通条件的适应性。改进的注意力机制强化了通道间特征依赖关系，使模型能够聚焦于任务关键特征，提高了预测精度。在六个真实数据集上的验证表明，ADGCN在关键指标上优于大多数当前最优模型。该模型还展现出卓越的效率，训练时间最多缩短47 %，实时性能优异，因此非常适合智能交通系统。
Keyword:
Traffic flow prediction
Graph convolutional networks
Attention mechanism
Adaptive dynamic graph
Lightweight gated recurrent unit
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
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ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注
OAAI
OAAI分享收藏Cao L, Wang B, Jiang G, et al. Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2025, 39(11): 11463-11471.曹L, 王 B, 江 G, 等. 用于交通流量预测的空间时间感知趋势季节性分解网络[C]//人工智能国际会议论文集. 2025, 39(11): 11463-11471..png)
IF0
PREAI
分享收藏分享收藏Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting基于注意力的时空图卷积网络交通流预测OAAI
OAAI分享收藏
查看更多内容