.png){kind=icon}
返回
Dynamic Spatiotemporal Graph Convolutional Network Collaborative Pre-training Learning for Traffic Flow Prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114339.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的车流预测是智能交通系统（ITS）优化的基础支柱。然而，交通网络中的复杂时空相关性对精确预测构成了显著挑战。现有方法通常依赖静态关系假设，未能充分捕捉全局时间相关性，且难以建模长期交通数据中存在的复杂趋势和周期性模式。为克服这些局限性，我们提出了一种新颖的动态时空图卷积网络协同预训练学习（DGCN-PTL）。我们的方法采用双阶段架构：首先，预训练阶段采用掩码自编码器机制与Transformer架构相结合，从广泛的历史时间序列数据中有效提取时间表示；随后，预测阶段通过多个关键组件执行下游预测。我们开发了动态图学习模块，以自适应地捕捉网络节点在时间间隔内演变的时空相互依赖关系。此外，我们将门控机制与自注意力操作相结合，以增强模型表征局部和全局时间相关性的能力。专门的特性变换模块有助于通道适配和表示优化。在四个真实世界数据集上的全面实验证实，DGCN-PTL相较于23种最先进基准方法表现更优，较最先进现有方法实现了5.49%的显著性能提升。
Keyword:
traffic flow prediction
spatiotemporal modeling
graph convolutional networks
pre-training
dynamic graph learning
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
.png){kind=icon}
OAAI分享收藏
A Short-Term Traffic Flow Prediction Model Based on an Improved Gate Recurrent Unit Neural Network基于改进Gate递归单元神经网络的短时交通流预测模型
PREAI
分享收藏Transformer-enhanced periodic temporal convolution network for long short-term traffic flow forecasting基于Transformer增强周期时间卷积网络的长短期交通流预测
PREAI
分享收藏
查看更多内容