基于残差连接的时序图卷积网络的交通流预测研究

摘要

传统交通流预测模型在进行深层训练时，常常面临梯度消失、特征分布不稳定以及短期信息丢失等难题，为此，提出了残差时序图卷积网络模型.该模型通过引入残差连接，有效缓解了深层训练中的梯度消失问题；借助层归一化技术，稳定了特征分布；同时，采用跳跃连接，强化了对短期趋势的捕捉能力.此外，该模型结合了图卷积层与门控机制，实现了时空联合特征的高效提取.SZ-taxi和Los-loop数据集的实验结果显示，残差时序图卷积网络模型在平均绝对误差和均方根误差方面，显著优于T-GCN,GCN等基准模型，训练过程的稳定性更强，能够有效支撑城市道路的交通流预测工作.

关键词

交通流预测 / 残差连接 / 层归一化 / 跳跃连接

基金资助

吉林省科技发展项目“多维时间序列数据相似性度量方法研究”（20230101243JC）