动态交通流量预测的时空注意力图卷积网络

摘要

针对现有交通流预测方法大多忽略时空耦合相关性、时空变化性以及外部特征对预测结果准确性的影响，提出一种动态交通流量预测的时空注意力图卷积网络(attention-based spatio-temporal graph convolutional network, ATST-GCN)模型。提出基于注意力的双向门控循环单元结构，从动态空间序列中提取时间相关性；构建带残差链接的多层图注意网络(graph attention network, GAT)卷积模块，深入挖掘动态空间相关性；融合时变特征与时常特征，充分利用外部静动态特征的共同作用。采用PeMS数据集对交通流量预测的准确度进行验证，试验结果表明：本研究方法能够有效提高交通流量预测精度，优于现有的多数先进方法。在PeMS08和PeMS03数据集上，本研究方法相对STSGCN模型分别提高13.44%和10.96%,相对T-GCN模型分别提高21.41%和21.32%,相对STGCN模型分别提高8.04%和6.55%,相对DMSTGCN模型分别提高3.23%和2.80%,相对Trendformer模型分别提高2.29%和2.00%。

关键词

智能交通系统 / 交通流量预测 / 注意力机制 / 时空相关性 / 图卷积网络