主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第4期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
冯宁,郭晟楠,宋超,朱琪超,万怀宇.面向交通流量预测的多组件时空图卷积网络.软件学报,2019,30(3):759-769
面向交通流量预测的多组件时空图卷积网络
Multi-component Spatial-temporal Graph Convolution Networks for Traffic Flow Forecasting
投稿时间:2018-07-20  修订日期:2018-09-20
DOI:10.13328/j.cnki.jos.005697
中文关键词:  交通流量预测  时空相关性  图卷积网络  多组件融合
英文关键词:traffic flow forecasting  spatial-temporal correlation  graph convolutional network  multi-component fusion
基金项目:国家自然科学基金(61603028)
作者单位E-mail
冯宁 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
 
郭晟楠 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
 
宋超 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
 
朱琪超 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
 
万怀宇 北京交通大学 计算机与信息技术学院, 北京 100044
交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 
hywan@bjtu.edu.cn 
摘要点击次数: 314
全文下载次数: 309
中文摘要:
      流量预测一直是交通领域研究者和实践者关注的热点问题.流量数据具有高度的非线性和复杂性,对其进行精准预测具有很大的挑战,现有的预测方法大多不能很好地捕获数据的时空相关性.提出一种新颖的基于深度学习的多组件时空图卷积网络(MCSTGCN),以解决交通流量预测问题.MCSTGCN通过3个组件分别建模流量数据的近期、日周期、周周期特性,每个组件同时利用空间维图卷积和时间维卷积有效捕获交通数据的时空相关性.在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明,MCSTGCN模型的预测效果优于现有的预测方法.
英文摘要:
      Forecasting the traffic flows is a hot issue for researchers and practitioners in the transportation field. It is very challenging to forecast the traffic flows due to the high nonlinearity and complexity of the data, and most of the existing methods cannot effectively capture the spatial-temporal correlations of traffic flow data. In this paper, we propose a novel deep learning based model, multi-component spatial-temporal graph convolution networks (MCSTGCN), to solve the problem of traffic flow forecasting. MCSTGCN employs three components to respectively model the recent, daily and weekly characteristics of traffic flow data. Each component uses graph convolutions in the spatial dimension and convolutions in the temporal dimension to effectively capture the spatial-temporal correlations of traffic data. Experiments on a public California freeway dataset show that the prediction performance of the MCSTGCN model is better than other existing prevalent methods.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利