基于双向多注意力图卷积的行程时间预测方法

摘要

针对如何高效挖掘交通预测中时空信息的问题，提出了一种基于双向多注意力时空图卷积的车辆行程时间预测方法。为提取路网的空间依赖，通过构造基于马尔科夫链的流量转移矩阵，提取路网中的双向交通流转移关系，并结合图卷积学习图网络中的空间依赖关系，利用引入注意力机制获取交通转移流量图中的局部与全局特征依赖，最后使用多层感知机将各个特征融合得到行程时间的最终预测结果。选择宣城路网交通数据进行模型验证试验，结果表明，与基线模型STGCN(Spatio-Temporal Graph Convolutional Networks)、 ASTGCN(Attention Based Spatial-Temporal Graph Convolutional Networks)、 A3T-GCN(Attention Temporal Graph Convolutional Network)相比，所提模型的均方根误差(RMSE:Root Mean Square Error)分别降低了7.6%、3.7%、9%,表明所提出的模型在提高预测准确性方面具有显著效果。

关键词

行程时间预测 / 图注意力 / 时空图卷积 / 马尔科夫链 / 深度学习