基于残差图卷积循环网络与注意力机制的交通流量预测模型Seq2-ResGCRN
《Mathematics》:Seq2-ResGCRN: Sequence-to-Sequence Residual Graph Convolutional Recurrent Network for Traffic Flow Prediction
【字体:
大
中
小
】
时间:2026年09月18日
来源:Mathematics 2.3
摘要
由于道路网络固有的复杂时空依赖关系,准确的交通流量预测仍然具有挑战性。现有的基于图的预测模型通常根据地理邻接关系构建图结构,这将空间特征提取限制在物理相邻的节点上。因此,同一区域内非相邻节点之间的潜在相关性被忽略了。此外,这些模型通常将邻接节点的影响视为均匀的,而在实际中,这些影响本质上是异质的。在时间方面,许多方法依赖长短期记忆网络(LSTM)或门控循环单元(GRU)等循环单元来捕捉短期依赖关系,但这些架构容易出现梯度消失或梯度爆炸问题,导致训练不稳定。为了解决这些问题,本文提出了Seq2-ResGCRN,一种基于残差图卷积循环网络与注意力机制的编码器-解码器框架。该模型通过图扩散卷积重建邻接矩阵,以学习自适应的边权重,从而捕捉异质的空间影响。Seq2-ResGCRN进一步将图卷积融入GRU架构中,并引入残差连接以缓解训练过程中的梯度退化问题。本研究在两个开源的真实数据集(即PEMS04和PEMS08)上进行了实验,以评估Seq2-ResGCRN的性能。原始数据采集频率为30秒,被聚合为5分钟的时间间隔。每条记录包含三个特征:交通流量、交通速度和道路占有率。实验结果表明,我们的Seq2-ResGCRN优于当前最先进的方法,在MAE和RMSE指标上分别实现了1.6–2.3%和2.1–5.5%的相对提升。Seq2-ResGCRN有效地捕捉了短期交通流量的时空相关性,并实现了优异的预测性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号