.png){kind=icon}
返回
GraphSAGE-based spatial-temporal synchronous traffic forecasting network considering sensorless roads
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05692-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的交通预测对于智能交通系统的高效运行至关重要，有助于实现更优的交通管理和规划。然而，现有研究存在两大主要局限性：它们无法同时捕捉时空依赖关系，且仅能为具有历史数据的节点预测交通特征，导致缺乏历史数据的节点未被解决。为克服这些局限性，我们提出了一种基于GraphSAGE的时空同步交通预测网络（GSTSN），该网络考虑了无传感器的道路，具有两大主要优势。首先，GSTSN设计了一种时空同步图，以整合空间和时序相关性。具体而言，它通过结合空间距离图和空间相似度图形成空间补偿图，随后将其与时序因果图整合，创建时空同步图。其次，GSTSN采用针对有无历史数据节点的GraphSAGE注意力机制和均值聚合函数，能够同时为两类节点实现准确的交通预测。在包含10%和20%传感器缺失率场景的四个真实世界数据集上的广泛实验表明，GSTSN相较于当前最优基线方法表现更优，证实了其有效性和鲁棒性。
Keyword:
Traffic forecasting
GraphSAGE
Spatial-temporal synchronous
Sensorless roads
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Spatial-Temporal Tensor Graph Convolutional Network for Traffic Speed Prediction用于交通速度预测的时空张量图卷积网络
PREAI
分享收藏Multi-Source Information Fusion Graph Convolution Network for traffic flow prediction面向交通流预测的多源信息融合图卷积网络
PREAI
分享收藏Integrating knowledge representation into traffic prediction: a spatial-temporal graph neural network with adaptive fusion features将知识表示集成到交通预测中: 具有自适应融合特征的时空图神经网络
OAAI
OAAI分享收藏Multistep traffic speed prediction: A sequence-to-sequence spatio-temporal attention model多步交通速度预测：一种序列到序列时空注意力模型.png)
IF0
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A hybrid approach of traffic simulation and machine learning techniques for enhancing real-time traffic prediction用于增强实时交通预测的交通模拟和机器学习技术的混合方法
PREAI
分享收藏
查看更多内容