基于聚类算法和图神经网络的短时交通流预测

摘要

针对现有预测模型未充分利用交通流数据时空相关性的问题，本文提出了一种深度学习模型，将聚类算法、图神经网络（GNN）和门控循环单元（GRU）相结合。首先，利用聚类算法将预处理后的数据划分为不同类型的流量模式；其次，采用GNN提取复杂路网交通流的空间相关性，结合道路的皮尔逊相关性分析和节点的局部聚类系数，挖掘潜在的节点连接关系；再次，使用GRU提取交通流数据之间的时间相关性，通过自注意力机制捕获数据之间的相互依赖关系；最后，通过残差连接将GRU和GNN的输出与原始输入结合，经过全连接层得出最终的预测结果。多组实验结果证明，本文提出的模型预测精度优于其他基线模型及对比的模型。

关键词

交通流预测 / 图神经网络 / 聚类算法 / 门控循环单元 / 皮尔逊相关系数 / 局部聚类系数