关键词:
ST-PAGNN
交通流预测
深度学习
图卷积神经网络
门控循环单元
Trendformer
摘要:
针对现有交通流预测方法存在难以构建空间和时间依赖关系的问题,提出了新的利用时空位置注意力的图神经网络(ST-PAGNN)方法。首先,该图神经网络中包含有位置关注机制,由此能够更好地对城市道路网络中交通节点的空间依赖关系进行有效捕捉;然后,利用带有trend adaptive Transformer(Trendformer)的门控递归神经网络来捕捉交通流序列在时间维度上的局部和全局信息;最后,利用改进的网格搜索优化方法对模型的引入参数进行优化,并以较高的时间效率获得全局最优解。实验结果表明,在数据集PEMS-BAY中,预测步长分别为15 min,30 min,60 min时,ST-PAGNN的评价指标RMSE、MAE和MAPE分别为1.37,2.57,2.67%,1.55,3.64,3.37%,1.97,4.37,4.43%;在数据集METR-LA中,预测步长分别为15 min,30 min,60 min时,ST-PAGNN的评价指标RMSE、MAE和MAPE分别为2.73,5.16,7.13%,2.99,5.97,7.86%,3.53,7.16,9.96%。结论表明,ST-PAGNN在不同粒度下的评价指标中均高于现有模型,从而说明了ST-PAGNN在解决交通预测问题方面的有效性和优越性。