基于时空信息融合学习的路段行程车速短时预测

摘要

路段行程车速的变化受时间和空间维度信息的综合影响,多数神经网络模型仅从时间维度上预测路段行程车速的变化规律,未能全面考虑路网结构和上下游交通状态对路段行程车速的影响.结合图卷积网络和门控循环单元构建深度学习模型,挖掘路段行程车速的时空特性.通过在线地图平台获取路段实时行程车速,使用等维递补方法更新历史序列数据,提高预测实时性.在深圳市部分区域路网上的实验结果表明,该模型的多步预测精度均在90％以上,相比自回归积分滑动平均模型、支持向量机回归模型和门控循环单元模型最高提升了6.9％、1.3％和0.4％,具有更优的路段行程车速预测效果.