利用 SGCN-LSTM 改进交通流预测：一种面向时空依赖的混合模型
机器学习
2024-11-04 v1 人工智能
摘要
大量交通可能导致负面影响，如交通事故增加、空气污染和大量时间浪费。了解任何给定路段的交通速度对于寻求减少拥堵的交通管理策略师来说非常有益。虽然最近的研究主要集中在通过固定加权图上的图卷积网络（GCNs）来建模空间依赖关系，但节点之间的关系通常更为复杂，边会动态交互。本文通过引入信号增强图卷积网络长短期记忆（SGCN-LSTM）模型来预测道路网络中的交通速度，从而解决交通数据中的时间模式和复杂的空间依赖关系。在 PEMS-BAY 路网交通数据集上的大量实验证明了 SGCN-LSTM 模型的有效性，与同一数据集上的基准模型相比，在平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）方面均有显著改善。
引用
@article{arxiv.2411.00282,
title = {Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies},
author = {Alexandru T. Cismaru},
journal= {arXiv preprint arXiv:2411.00282},
year = {2024}
}
备注
5 pages, 6 figures