基于多图融合的时空交通流预测方法

杨国亮; 习浩; 龚家仁; 邹俊峰

doi:10.13873/J.1000-9787(2023)10-0126-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于多图融合的时空交通流预测方法

计算与测试 | 更新时间：2025-09-11

- 基于多图融合的时空交通流预测方法
- 暂无标题
- 传感器与微系统 2023年第10期页码：126-129+134
- 作者机构：
  
  江西理工大学电气工程与自动化学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(51365017);江西省教育厅科技计划资助项目(GJJ190450)
- DOI：10.13873/J.1000-9787(2023)10-0126-04
  中图分类号： U491.14;TP183
- 纸质出版：2023
- 稿件说明：
移动端阅览
杨国亮, 习浩, 龚家仁, 等. 基于多图融合的时空交通流预测方法[J]. 传感器与微系统, 2023,(10):126-129+134.
杨国亮, 习浩, 龚家仁, 等. 基于多图融合的时空交通流预测方法[J]. 传感器与微系统, 2023,(10):126-129+134. DOI： 10.13873/J.1000-9787(2023)10-0126-04.

DOI：

摘要

现有交通流预测过程中未能有效捕获路网的时空特征，且忽略了节点时间模式相似性的作用，提出了一种基于多图融合的交通流预测模型。首先，该模型提出了一种数据驱动的时间图生成方法用于捕获节点的时间模式；然后将多个图进行融合后传递给图卷积网络(GCN)和时间卷积网络进行时空特征的提取。实验结果表明：该模型能够有效降低预测误差，准确预测交通演化态势。

Abstract

关键词

Keywords

references

Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting[J]. Chao Song;Youfang Lin;Shengnan Guo;Huaiyu Wan.Proceedings of the AAAI Conference on Artificial Intelligence,2020

A Short-term Traffic Flow Forecasting Method Based on the Hybrid PSO-SVR[J]. Wenbin Hu;Liping Yan;Kaizeng Liu;Huan Wang.Neural Processing Letters,2016

Modeling and Forecasting Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results[J]. Billy M. Williams;Lester A. Hoel.Journal of Transportation Engineering,2003

交通流多时间尺度特性分析与参数模型研究[J]. 曹洁;孙兆军;张红;陈作汉;侯亮.传感器与微系统,2021(02)

基于K近邻的增量式聚类算法[J]. 樊路;钱雪忠;姚琳燕.传感器与微系统,2019(02)

浏览量

239

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力机制和用户属性的图卷积网络推荐模型

基于双流图卷积网络的人体行为识别算法