咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >时空特征变分学习的交通流预测模型 收藏

时空特征变分学习的交通流预测模型

Spatial-temporal feature variational inference model for traffic flow forecasting

作     者:欧阳毅 汤文燕 邵泳博 黎晏伶 OUYANG Yi;TANG Wen-yan;SHAO Yong-bo;LI Yan-ling

作者机构:浙江工商大学管理工程与电子商务学院浙江杭州310018 

出 版 物:《控制理论与应用》 (Control Theory & Applications)

年 卷 期:2025年第42卷第1期

页      面:158-166页

核心收录:

学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 0835[工学-软件工程] 082302[工学-交通信息工程及控制] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 0823[工学-交通运输工程] 

基  金:浙江工商大学“数字+”学科建设管理项目(SZJ2022C004) 浙江省智能交通工程技术研究中心项目(2015ERCITZJ–KF1)资助 

主  题:交通流预测 时空融合 变分自编码器 图卷积 

摘      要:交通流量时空预测是智能交通系统的关键任务.针对城市交通流序列的非线性和多模态特性,本文提出了一种基于时空特征融合的变分学习模型(ST-FVAE),采用局部时空特征融合和全局特征融合两个阶段对具有图空间拓扑特性的交通流数据进行预测.局部特征融合模块由时间卷积残差单元和图卷积神经网络(GCN)构成,提取交通节点的局部时间特征信息,并利用GCN将空间拓扑信息嵌入局部时间特征信息中.通过基于局部时空图特征融合的变分自编码器交通流预测模型,学习全局时空相关性特征.在全局时空特征融合变分自编码器的学习过程中,为使Q分布能够逼近实际数据P分布,通过最大化似然函数的变分推断证据下界(ELBO)使得两个分布之间的KL散度最小化,提出了计算分布期望的KL差异构造训练损失函数的方法,进一步提高预测准确率.通过对交通流数据集和交通速度数据集的预测实验结果表明:本文提出的方法在交通流量和速度的预测方面都具有较好的预测特性,对于30 min和60 min的预测鲁棒性更好.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分