用于城市干道行程时间分布预测的动态图注意力网络

在信号化走廊沿线进行有效的拥堵管理对于提高生产率和降低成本至关重要，而干道行程时间是关键的性能指标。传统方法（如协调信号配时和自适应交通控制系统）在不同城市布局中通常缺乏可扩展性和泛化能力。我们提出了基于融合的动态图神经网络（FDGNN），这是一个用于同时对干道走廊双向行程时间分布进行建模的结构化框架。FDGNN 在动态双向图上利用注意力图卷积，并集成融合技术以捕捉不断演化的时空交通动态。该框架在大量小时的仿真数据上进行训练，并利用 GPU 计算来确保可扩展性。结果表明，利用走廊交通状态的独特动态图表示，我们的框架能够高效且准确地将干道上的行程时间建模为正态分布。该表示集成了顺序交通信号配时方案、局部驾驶行为、时间转向运动计数和入口交通量，即使聚合在短至单个周期长度的时间间隔内也是如此。结果表明，该框架对有效交通变化（包括周期长度、绿灯时间百分比、交通密度和反事实路线）具有鲁棒性。结果进一步证实了其在不同交叉口的不同条件下的稳定性。该框架支持动态信号配时，增强了拥堵管理，并提高了实际应用中的行程时间可靠性。