多信息融合的时空图卷积交通流量预测模型

摘要

为了深入挖掘交通流量的时空特征以提高预测精度,提出改进的融合距离与周期性因素的多信息融合的时空图卷积门控神经网络.将路网中各个路段作为节点并根据路段间邻接关系建立路网图结构;考虑路段间距离对空间相关性的影响,计算路段之间的空间影响度大小,给予图邻接矩阵不同的权重.在模型构建中,设计空间图卷积模块与时间序列预测模块;通过空间图卷积模块提取空间特征信息,并将提取的空间特征信息与交通流量周期序列信息相融合,传入时间序列预测模块;重新设计门控循环单元(GRU)的门控机制算法达到多源信息共同输入的目的,最终得到预测输出.实验在真实的公路交通流量PEMS数据集上进行多时段测试,结果表明,与目前基于图卷积的预测方法相比,所设计的模型预测误差更低,预测性能更优.