一种融合时空关联与社会事件的交通流预测方法

摘要：

交通流预测作为智能交通系统的一个关键问题,是国内外交通领域的研究热点.交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联,且易受各种社会事件的影响.针对这些挑战,提出一种用于交通流预测的深度学习框架.一方面,针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络.最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络,实现交通流预测模型.为了验证模型的有效性,文中基于真实交通流数据进行了实验.结果表明,所提模型与传统的预测模型相比具有较高的准确度,准确度提高了3％～6％.

关键词：交通流预测、图卷积网络、循环神经网络、社会事件、卷积神经网络

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金联合重点项目;浙江省自然科学基金;工业互联网创新发展工程项目

在线出版日期：2021-03-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：264-270