交通流预测——day58 T-GCN：一种用于流量预测的时态图卷积网络

想太多!

于 2022-12-02 11:10:46 发布

阅读量2.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：网络人工智能深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_43537420/article/details/128144805

本文提出T-GCN模型，结合图卷积网络(GCN)和门控递归单元(GRU)，有效捕捉城市道路网络的空间及时间依赖性，实现精准的交通流量预测。

T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction

I. INTRODUCTION
- (1) Spatial dependence
- (2) Temporal dependence
III. METHODOLOGY
IV. EXPERIMENTS
V. CONCLUSION

I. INTRODUCTION

(1) Spatial dependence

在这里插入图片描述

由于相邻道路间影响较强，短期相似度由状态1（上游道路与中游道路相似）变为状态2（上游道路与下游道路相似）

(2) Temporal dependence

在这里插入图片描述

(a)周期性。道路中的交通量在一周内呈周期性变化。
(b)趋势。道路交通量在一天内有趋势性变化。

III. METHODOLOGY

A. Problem Definition

Definition 1: road network G
Definition 2: feature matrix XN×P

问题转换为求映射函数 f (式1)
在这里插入图片描述

n 是历史时间序列的长度
t 是需要预测的时间序列的长度

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。