基于图卷积网络的路网短时交通流预测研究

被引：95

作者：

陈喜群

周凌霄

曹震

机构：

[1] 浙江大学建筑工程学院

来源：

交通运输系统工程与信息 | 2020年 / 20卷 / 04期

基金：

国家重点研发计划;

关键词：

智能交通; 短时交通流预测; 图卷积网络; 城市路网; 深度学习;

D O I：

10.16097/j.cnki.1009-6744.2020.04.008

中图分类号：

U491 [交通工程与交通管理];

学科分类号：

082301 [道路与铁道工程];

摘要：

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在.本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.

引用

页码：49 / 55

页数：7

共 4 条

[1]

大数据及其在城市智能交通系统中的应用综述 [J].

陆化普 ;

孙智源 ;

屈闻聪 .

交通运输系统工程与信息, 2015, 15 (05) :45-52

[2]

Short-term traffic forecasting: An adaptive ST-KNN model that considers spatial heterogeneity.[J].Shifen Cheng;Feng Lu;Peng Peng;Sheng Wu.Computers; Environment and Urban Systems.2018,

[3]

Network-Scale Traffic Modeling and Forecasting with Graphical Lasso and Neural Networks [J].

Sun, Shiliang ;

Huang, Rongqing ;

Gao, Ya .

JOURNAL OF TRANSPORTATION ENGINEERING, 2012, 138 (11) :1358-1367

[4]

An adaptive information fusion model to predict the short-term link travel time distribution in dynamic traffic networks.[J].Lili Du;Srinivas Peeta;Yong Hoon Kim.Transportation Research Part B.2011, 1

← 1 →