重庆理工大学学报(自然科学) ›› 2023, Vol. 37 ›› Issue (8): 185-193.

• 智能技术 • 上一篇    下一篇

多因子融合时空图神经网络的交通参数预测

张建旭,金宏意,胡 帅   

  1. (1.重庆交通大学 交通运输学院,重庆 400074; 2.重庆交通大学 山地城市交通系统与安全重庆市重点实验室,重庆 400074)
  • 出版日期:2023-09-15 发布日期:2023-09-15
  • 作者简介:张建旭,男,博士,副教授,主要从事交通运输规划与管理研究,Email:zjxdisk@gmail.com;通信作者 金宏意,女, 硕士研究生,主要从事路网交通流预测研究,Email:657154317@qq.com。

Traffic parameter prediction based on multi-factor fusion spatio-temporal graph neural network

  • Online:2023-09-15 Published:2023-09-15

摘要: 针对路网级交通参数预测时空特性挖掘不足的问题,提出一种多因子融合时空图 神经网络(MFSTGNN)。该模型从路网地理拓扑结构、通行能力和道路交通数据相关性 3个角 度挖掘路网的空间特征,再通过时间模块(GRU)提取时间特征。在多因子空间特征聚合模块 (MFGNN)中,构建了 3个因子关联矩阵;将其中的通行能力关联矩阵 C和交通数据关联矩阵 D输入到基于频域的图卷积网络(GCN)中,将空间近邻矩阵 A输入到图注意力网络(GAT)中, 分别提取 3种不同的空间特征,将 3种特征通过通道注意力模型进行融合,通过 GRU提取时间 特征。使用重庆市渝北区部分区域浮动车数据集进行实验,结果表明:MFSTGNN能够更好地 捕捉路网的时空特性,提高预测精度。

关键词: 因子关联矩阵, 多因子融合时空图神经网络, 图卷积网络, 图注意力网络, 门控循环单元

Abstract: To solve the problem of insufficient mining of spatio-temporal characteristics of road network level traffic parameter prediction, a multi-factorfusion spatio-temporal graph neural network (MF-STGNN) is proposed. The model further explores the spatial characteristics of the road network from three perspectives: road network geographic topology, road traffic data correlation and traffic capacity, and then extracts the temporal features through the temporal module (Gated Recurrent Unit, GRU). The multi-factor fusion graph neural network (MF-GNN)constructs three factor correlation matrices, in which the capacity correlation matrix C and the traffic data correlation matrix D are input into the frequency domain based graph convolution network (GCN), and the spatial nearest neighbor matrix A is input into the graph attention network (GAT) to extract three different spatial features. Then MF-GNN fuse the three features through the channel attention model. Finally, temporal features are extracted by gated recurrent unit. Using the floating car data set of some regions in Yubei District of Chongqing for experiment. The results show that MF-STGNN can better capture the spatiotemporal characteristics of the road network and improve the prediction accuracy.

中图分类号: 

  • U495