發(fā)布時間：2020-12-12 03:08

　　為了實時準確地預測城市交通流量,提高城市交通態(tài)勢感知和預測準確度,提出一種改進的時空圖卷積深度神經(jīng)網(wǎng)絡算法:基于自由流動可達矩陣的時空圖卷積深度神經(jīng)網(wǎng)絡（FAST-GCN）.利用圖卷積神經(jīng)網(wǎng)絡有效表達城市復雜路網(wǎng)的結(jié)構(gòu)特性,引入自由流動可達矩陣來挖掘復雜路網(wǎng)的時空依賴性,從而提高交通態(tài)勢預測準確度;對交通流速及站點地理位置數(shù)據(jù)進行數(shù)據(jù)預處理;在現(xiàn)有的時空圖卷積深度神經(jīng)網(wǎng)絡算法的基礎(chǔ)上,增加基于自由流動可達矩陣的圖卷積模塊,以有效挖掘城市交通路網(wǎng)的獨特空間特征;通過一個全連接的輸出層輸出交通流預測結(jié)果;在真實世界數(shù)據(jù)集PeMS上對算法效果進行驗證.結(jié)果表明,采用提出的FAST-GCN算法能夠有效獲取交通路網(wǎng)獨特的物理特性,從而捕獲交通數(shù)據(jù)的時空依賴性,優(yōu)于時空圖卷積（STGCN）等基線算法,其在45 min的預測準確率最好可提高5.656%;相比基線模型,所提算法能夠適應大規(guī)模路網(wǎng)的交通流預測,且具有可擴展性. 

【文章來源】：浙江大學學報(工學版). 2020年06期 第1147-1155頁 北大核心

【文章頁數(shù)】：9 頁

【參考文獻】：
期刊論文
[1]智慧城市中的大數(shù)據(jù)[J]. 李德仁,姚遠,邵振峰.  武漢大學學報(信息科學版). 2014(06)
[2]城市智能交通系統(tǒng)的發(fā)展現(xiàn)狀與趨勢[J]. 陸化普,李瑞敏.  工程研究-跨學科視野中的工程. 2014(01)
[3]交通流預測方法綜述[J]. 劉靜,關(guān)偉.  公路交通科技. 2004(03)



本文編號：2911741