基于GRU-GCN-RDrop模型的交通速度预测

赵嘉雨; 段亚茹; 何立明

首页> 中文期刊> 《计算机技术与发展》 >基于GRU-GCN-RDrop模型的交通速度预测

基于GRU-GCN-RDrop模型的交通速度预测

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

摘要

准确并实时地预测交通速度是实现智能交通管控和建设智慧交通系统必不可少的一环,然而现有的预测方法无法准确地挖掘其潜在的时空相关性。为了进一步挖掘数据的时空特性以及提高预测精度,设计了基于门控循环神经网络(GRU),图卷积网络(GCN)和正则化Dropout(R-Drop)结合的GRU-GCN-RDrop组合模型。GCN用于学习复杂的拓扑结构来捕获空间依赖性,GRU用于学习交通数据的动态变化来捕获时间依赖性。GCN和GRU相结合后使用R-Drop方法提高模型泛化能力。以SZ-taxi数据集为例进行预测分析,GRU-GCN-RDrop模型预测了未来在15分钟、30分钟、45分钟和60分钟的交通速度,并得出对应的均方根误差、平均绝对误差、精度、判定系数和解释方差。对比GCN、GRU单个模型,GRU-GCN-RDrop模型有效解决了误差的迅速累积问题。对比大多数现有基准模型,GRU-GCN-RDrop模型对于交通速度序列的特征提取及解释能力较为优秀。对比T-GCN模型和ST-AGTCN模型,GRU-GCN-RDrop模型泛化能力更强。由此说明了GRU-GCN-RDrop模型预测的交通速度时间序列具有较高的精度和稳定性。

著录项

来源
《计算机技术与发展》 |2023年第4期|120-125|共7页
作者
赵嘉雨; 段亚茹; 何立明;
展开▼
作者单位

长安大学信息工程学院;

展开▼
原文格式 PDF
正文语种 chi
中图分类计算机软件;交通系统;
关键词
智慧交通系统; 交通速度预测; 图卷积网络; 门控循环单元; 正则化Dropout;

相似文献

中文文献
外文文献
专利

1. 基于K-means聚类与PLS回归模型的交通速度短时预测 [J] . 贾秀燕 ,孙秋霞 ,李勍 . 青岛大学学报:自然科学版 . 2023,第1期
2. 基于全局时空特性的城市路网交通速度预测模型 [J] . 冯思芸 ,施振佺 ,曹阳 . 计算机工程 . 2022,第5期
3. 基于深度学习的高速公路交通速度预测模型研究 [J] . 黄来荣 ,谷庆 ,林凤榕 . 中国交通信息化 . 2022,第9期
4. 基于LSTCN模型的城市交通速度预测 [J] . 殷仕山 ,孙克雷 . 武汉理工大学学报（交通科学与工程版） . 2021,第5期
5. 基于时间序列与BP-ANN的短时交通流速度预测模型研究 [J] . 田瑞杰 ,张维石 ,翟华伟 . 计算机应用研究 . 2019,第011期
6. 考虑降雨影响的交通速度预测深信度网络模型研究 [C] . JIA Yuhan ,贾宇涵 ,WU Jianping . 第一届中国交通建模与仿真学术研讨会 . 2016
7. 基于时空特性的交通速度预测模型的研究与实现 [A] . 许鑫博 . 2022

基于GRU-GCN-RDrop模型的交通速度预测

摘要

著录项

相似文献

相关主题

期刊订阅