.png){kind=icon}
返回
Spatiotemporal interactive learning dynamic adaptive graph convolutional network for traffic forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通预测在路径规划和交通管理等任务中发挥着关键作用。图神经网络（GNN）的最新进展使得空间-时间相关性的有效建模成为可能，显著提升了交通预测的准确性。然而，大多数现有研究主要关注所有节点共有的通用空间-时间特征，常常忽视单个节点的独特属性。此外，这些研究往往忽略了数据中固有的多样化时间特征，限制了它们充分捕捉复杂空间-时间依赖关系的能力。为解决这些挑战，本研究提出了一种用于交通预测的空间-时间交互学习动态自适应图卷积网络（SILDAGCN）。具体而言，SILDAGCN引入了一个数据嵌入模块，用于将时间特征整合到原始数据中并有效提取关键信息。此外，它采用了一种动态自适应图卷积网络，旨在捕捉实时空间-时间动态并揭示共享和节点特定的空间-时间相关性。本文还引入了一种空间-时间特征交互学习机制，用于捕捉和学习空间-时间依赖关系的多样化、演化特征，通过有效反馈实现相互增强。最后，输出模块利用卷积操作增强模型的信息提取能力，生成最终的交通网络预测。在四个真实数据集上的实验评估表明，SILDAGCN能够在相对较低的运算成本下实现准确的交通流量和需求预测。
Keyword:
Graph neural network
Traffic flow forecasting
Multi-head attention
Interactive learning mechanism
Dynamic graph
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
A review of graph neural networks: concepts, architectures, techniques, challenges, datasets, applications, and future directions图神经网络综述: 概念、架构、技术、挑战、数据集、应用和未来方向.png)
JOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
OAAI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ADCT-Net: Adaptive traffic forecasting neural network via dual-graphic cross-fused transformerAdct-net: 基于双图形交叉融合变压器的自适应流量预测神经网络INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏A recurrent neural network for urban long-term traffic flow forecastingAPPLIED INTELLIGENCEOAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏A Decomposition Dynamic graph convolutional recurrent network for traffic forecasting用于流量预测的分解动态图卷积递归网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容