结合GCN和LSTM考虑时空信息的城市交通流量预测

摘要

针对当前交通流量的智能预测方法没有分析和考虑路网的时空关联性问题，在智能预测方法中增加了时空关联性信息，解决了时空信息缺失造成的预测精度降低的问题。首先结合交通路网的图连接和车辆通行延时特性，分析城市路网的时空关联性；考虑城市交通时空关联情况，基于图卷积神经网络(GCN:Graph Convolutional Neural)和长短期记忆网络(LSTM:Long Short-Term Memory)方法，研究了结合GCN、LSTM考虑时空信息的城市交通流量预测方法，应用开源的城市交通流量数据集优化训练了城市交通流量预测网络，并对比LSTM、双向长短期记忆网络(BiLSTM:Bidirectional Long Short-Term Memory)及不同网络节点数目在求解该交通流量预测问题的表现。研究结果表明，该方法可以有效预测城市交通流量，相对未考虑时空信息的预测方法准确度有所提升，该研究可为智慧交通系统中的交通预测提供理论参考。

关键词

图卷积神经网络 / 长短期记忆网络 / 城市交通 / 车流预测 / 时空信息