基于线图神经网络与卡尔曼滤波的动态起讫矩阵预测
机器学习
2025-10-20 v3 系统与控制
系统与控制
机器学习
摘要
现代智能交通系统提供的数据使得实时动态需求预测成为可能，而这对规划与运营至关重要。动态起讫（O-D）需求矩阵预测的主要挑战在于需求无法由交通传感器直接测量；相反，必须从交通路段上的聚合交通流数据推断得出。具体而言，在一般交通网络中需考虑空间相关性、拥堵以及时间依赖因素。本文提出一种新颖的 O-D 预测框架，结合图神经网络中的异构预测与卡尔曼滤波，以同时识别空间与时间模式。底层道路网络拓扑在新设计的融合线图卷积网络（FL-GCNs）中被转换为相应的线图，该网络提供了从路段信息预测时空 O-D 流的一般框架。使用新泽西收费公路网络的数据来评估所提模型。结果表明，我们所提方法在各种预测场景下均取得最佳性能。此外，还展示了深度神经网络与卡尔曼滤波相结合的优势。
引用
@article{arxiv.1905.00406,
title = {Dynamic Origin-Destination Matrix Prediction with Line Graph Neural Networks and Kalman Filter},
author = {Xi Xiong and Kaan Ozbay and Li Jin and Chen Feng},
journal= {arXiv preprint arXiv:1905.00406},
year = {2025}
}