Traffic Flow Prediction Based on Multi-View Fusion Graph Convolutional Network

Xinlu Zong

doi:10.1002/cpe.70587

Traffic Flow Prediction Based on Multi-View Fusion Graph Convolutional Network

2026-03-01

0

PRE

AI

DOI：10.1002/cpe.70587

原文链接

原文求助

摘要

En 中文

在城市轨道交通系统中，由于效率和准点性，地铁系统已成为日常通勤的首选。准确的地铁客流量预测对于确保系统稳定运行和优化资源配置至关重要。近年来，图卷积网络（GCN）被广泛应用于提取交通流量数据中的空间特征。然而，它们在捕捉复杂的全局空间依赖性方面仍面临挑战，尤其是在不同交通节点之间的潜在关联。此外，现有方法通常关注局部邻域信息，这使得难以充分建模具有相似功能特征区域之间的广泛相关性。为解决这些问题，本文提出了一种多视角融合图卷积网络（MVFGCN）模型，该模型引入多视角融合策略以从多个角度捕捉交通流量的空间特征，从而增强模型表示不同交通节点之间全局空间依赖性的能力。此外，设计了一种基于功能区域的超图构建方法，包括使用K-means和DTW算法进行节点功能区域识别以及生成基于功能区域的超图，该方法有效捕捉具有相似周期性特征的节点之间的相关性。通过结合多视角图卷积和自注意力卷积，所提出的方法能够更有效地捕捉交通网络中的时空特征，从而实现更精确的交通流量预测。在地铁系统和高速公路的实际数据集上的测试表明，所提出的方法在预测精度上显著优于几种主流模型，验证了MVFGCN在复杂城市交通场景中的有效性和鲁棒性。

Keyword:

functional clustering

graph convolutional network

K-means

metro station

passenger flow prediction

Traffic Flow Prediction Based on Multi-View Fusion Graph Convolutional Network

摘要

期刊

机构

引用论文