城市交通拥堵是造成交通事故的重要原因,也是城市发展的主要障碍。通过学习历史交通流数据,我们可以预测未来一些区域的交通流,这对城市道路规划、交通管理、交通控制等都有重要意义。然而,由于交通网络拓扑结构的复杂性和影响交通流的因素的多样性,交通模式往往是复杂多变的,这给交通流预测带来了很大的困难。本文提出了一种新的图卷积神经网络,即多模态动态残差图卷积网络(MDRGCN),用于同时捕获道路网络中不同因素对交通流的动态影响。首先,我们设计了一个多模式动态图卷积模块(MDGCN),通过学习两类关系矩阵来捕捉不同交通模式的影响;然后,设计了一种多模动态图卷积门控循环单元(MDGRU),实现了空间依赖性和时间依赖性的结合。最后,利用动态残差模块(DRM)整合原始交通数据和MDGRU模块提取的时空特征,对未来交通流进行预测。文章利用NYCTaxi和NYCBike数据集进行实验,结果表明MDRGCN模型的性能的优越性。
3 相关概念及问题定义
相关性矩阵构建:
关系矩阵对图的卷积至关重要,因为它决定了节点特征的聚集和更新方式。为了捕捉不同交通模式的流特征,文章构造了两个不同的关系矩阵,即相似度矩阵和自适应矩阵。
相似度矩阵:为了降低计算成本,我们只选择前20行和20列来代表车站的前20个最重要的特征。然后,我们使用高斯核函数计算站i和站j之间的相似度作为两个站之间边缘的权值。
自适应矩阵:随机初始化两