RGCN-Wavenet异质图时空交通流预测研究

摘要

准确的交通流预测在智能交通管理和应用中具有重要的作用，不仅能够提高交通管理的效率，还能为各种智能交通应用提供数据支持。现阶段多数研究主要基于深度学习实现交通流的预测。然而，传统深度学习模型在处理复杂路网或长时间序列预测时存在性能瓶颈，表现欠佳。因此，基于Graph-Wavenet神经网络构型，提出了一种RGCN-Wavenet模型，能有效处理交通网络拓扑结构特征提取，且通过引入关系图卷积网络(relational graph convolutional network, RGCN),显著增强了对异质图信息的处理能力，可以高效提取一维时间序列特征，从而在复杂交通环境中提供更为精确的预测结果。实际数据集实验证明，对比传统的交通流预测模型，所提模型预测准确率提高了11.21%,验证了模型的有效性。

关键词

关系图神经网络 / 时空特征 / 交通流预测 / 异质图