声明
致谢
1 引言
1.1 研究背景
1.2 研究目的与意义
1.3 研究现状
1.4 研究内容
1.5 论文组织结构
2 相关理论知识
2.1 时间序列相关理论
2.1.1 时间序列基础知识
2.1.2 时间序列预测模型
2.2 神经网络相关理论
2.2.1 循环神经网络
2.2.2 图卷积神经网络
2.3 注意力机制相关理论
2.3.1 注意力机制的定义
2.3.2 注意力机制的类别
2.4 时空数据挖掘相关理论
2.4.1 时空数据的类别
2.4.2 交通流预测中的经典模型
2.5 本章小结
3 基于互注意力机制的时空多图卷积网络模型
3.1 问题描述
3.1.1 相关对象定义与表示
3.1.2 问题定义
3.2 总体研究思路
3.3 模型介绍
3.3.1 多图构造
3.3.2 基于互注意力机制的时空图卷积模块
3.3.3 融合层
3.4 算法流程
3.5 实验与结果分析
3.5.1 实验数据集
3.5.2 实验环境
3.5.3 基准方法与评价指标
3.5.4 实验参数设置
3.5.5 实验结果分析
3.6 模型耗时与资源消耗
3.7 本章小结
4 基于动态图卷积的时空多图网络学习模型
4.1 问题描述
4.1.1 相关对象定义与表示
4.1.2 问题定义
4.2 研究思路
4.3 模型介绍
4.3.1 动态图卷积
4.3.2 多图构造
4.3.3 时空动态图卷积模块
4.3.4 融合层
4.4 算法流程
4.5 实验与结果分析
4.5.1 实验数据集
4.5.2 实验环境
4.5.3 基准方法与评价指标
4.5.4 实验参数设置
4.5.5 实验结果分析
4.6 模型复杂度
4.7 本章小结
5 总结与展望
5.1 工作总结
5.2 未来展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;
