.png){kind=icon}
返回
Utilizing Multihead Attention-Based Graph Convolution Networks for Traffic Speed Prediction
.png){kind=icon}
OA
AI
DOI：10.1155/int/3471620.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的交通速度预测对于缓解交通拥堵和提升交通安全具有重大意义。然而，交通数据在不同周期（如工作日、周末和节假日）表现出不同的模式，这使得传统模型难以有效捕捉交通数据中的多周期异质性。此外，现有的大部分交通速度预测研究难以同时高效捕捉动态交通数据的时空特性。为解决这些挑战，本文首先引入时空感知的位置编码（STAPE）技术，通过整合时间周期信息与空间位置信息来处理交通数据中的多周期异质性。其次，设计了一种多级时空特征提取架构，利用图卷积网络（GCN）捕捉交通路网的拓扑结构和空间特征。通过应用门控循环单元（GRU）捕捉交通数据的时间依赖性，并将GCN和GRU在多个阶段结合，该架构深度挖掘交通数据的时空特征。此外，本文整合了多头注意力机制，结合并行化的注意力通道自适应机制和多级时空特征提取架构，增强了模型动态适应不同时空模式的能力，从而高效捕捉动态变化的时空特征。在METR-LA和PEMS-BAY数据集上进行的大量性能评估实验表明，所提出模型的预测性能优于其他九种基准方法。
Keyword:
GCN
GRU
multihead attention mechanism
STAPE
traffic speed prediction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.7
论文数:
3.1K
被引数:
8.1K
机构
引用论文
分享收藏Distinguish Theindistinguishable: Spatial Personalized Transformer Fortraffic Flow Forecast区分不可区分项：面向交通流量预测的空间个性化Transformer.png)
IF0
PREAI
分享收藏Graph Sequence Neural Network with an Attention Mechanism for Traffic Speed Prediction具有注意力机制的图序列神经网络在交通速度预测中的应用
PREAI
分享收藏Computer-Aided Diagnosis Model for Lung Diseases Using Sea Lion Optimization with Deep Convolutional Recurrent Neural Network on Chest X-ray Images基于海狮优化算法与深度卷积循环神经网络的胸部X光图像肺疾病计算机辅助诊断模型
IF0
PREAI
分享收藏Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction用于交通预测的自动扩展时空同步图建模
OAAI
OAAI分享收藏A study on hyperspectral soil total nitrogen inversion using a hybrid deep learning model CBiResNet-BiLSTM基于混合深度学习模型cbiresnet-bilstm的高光谱土壤总氮反演研究OAAI
OAAI分享收藏
查看更多内容