基于多组件和时空图卷积网络的交通流预测方法OA

准确的交通流预测可以减轻交通拥堵,有利于制定更合理的出行决策。现行交通流预测方法对交通流时间依赖性和空间依赖性的提取不充分,文中提出了一种基于多组件和时空图卷积网络(Multi-Component and Spatio-Temporal Graph Convolution Network, MCSTG)的交通流预测方法。MCSTG在门控时间卷积网络中融入周期信息以此深入捕获时间依赖性,并利用图重构结合空间自注意力方法来生成节点关联性强的邻接矩阵,从而捕获空间依赖性。MCSTG通过并行处理和结果融合的多预测组件架构进一步优化交通流预测性能。在两个真实数据集上的6项预测结果指标中,MCSTG的5项指标预测精度优于基线模型。实验结果表明,MCSTG具有较好的时空建模能力。消融实验验证了MCSTG设计的合理性。