GT-LSTM:用于流量预测的时空综合网络
Yong Luo1, Jianying Zheng2, Xiang Wang1
1School of Rail Transportation, Soochow University, Suzhou 215131, China; Intelligent Urban Rail Engineering Research Center of Jiangsu Province, Suzhou 215131, China.
概括
这项研究引入了一种新的时空集体网络,用于高效的流量预测. 图形时间卷积长期短期记忆网络 (GT-LSTM) 提高了智能交通系统的准确性和训练速度.
科学领域:
- 智能运输系统 智能运输系统
- 交通流动动态 交通流动动态
- 机器学习用于运输.
背景情况:
- 当前的交通流预测模型经常使用单一的时间学习方法,由于复杂的图形结构,导致训练效率低.
- 现有的方法难以有效地整合空间和时间的交通数据依赖性.
研究的目的:
- 为增强交通流量预测提出一个新的时空综合网络.
- 提高智能运输系统的预测准确性和计算效率.
主要方法:
- 开发了一个图形时间卷积长期短期记忆网络 (GT-LSTM) 模型.
- 使用自适应图形卷积网络 (GCN) 来捕获空间依赖.
- 综合空间和时间状态使用非相互嵌入的方法.
- 利用时间卷积网络 (TCN) 和双向长期短期记忆网络 (Bi-LSTM) 来提取模式.
主要成果:
- 拟议的GT-LSTM网络在四个现实世界交通数据集上表现出色.
- 与现有方法相比,实现了更高的预测准确度.
- 展示了培训效率的显著改进.
结论:
- 时空整体方法有效地捕捉了内在的流量依赖性.
- GT-LSTM为先进的智能运输系统提供了一个有前途的解决方案.
- 该模型平衡了高精度与高效计算的实用应用.
