第43卷第1期桂林电子科技大学学报Vol.43,No.12023年2月JournalofGuilinUniversityofElectronicTechnologyFeb.2023收稿日期:2022-03-05基金项目:国家自然科学基金(61966007);广西自然科学基金(2020GXNSFAA159105);广西无线宽带通信与信号处理重点实验室基金(GXKL06190204,GXKL06200116,GXKL06190117);认知无线电与信息处理教育部重点实验室基金(CRKL180201,CRKL180106)通信作者:林基明(1970-),男,教授,博士,研究方向为无线通信、移动通信。E-mail:linjm@guet.edu.cn引文格式:甘萍,林基明,农丽萍,等.一种用于交通预测的自适应时空图神经网络[J].桂林电子科技大学学报,2023,43(1):7-13.一种用于交通预测的自适应时空图神经网络甘萍1,林基明1,2,农丽萍2,3,王俊义1(1.桂林电子科技大学信息与通信学院,广西桂林541004;2.西安电子科技大学通信工程学院,西安710071;3.广西师范大学物理科学与技术学院,广西桂林541004)摘要:针对以往复杂的神经网络构架在空间维度上所采用的预定义图结构未包含完整交通数据空间信息,且在时间维度上不能很好地捕获交通数据长期依赖关系的问题,提出一种新的时空图神经网络。通过自适应图卷积网络(AGCN)自动捕获节点的特定状态以及自动推断不同节点之间的相互依赖关系,提取更完整的交通数据空间特征,再通过时空长短期记忆网络(ST-LSTM)中的时间记忆模块来提取交通数据的时间特征,捕获短中长期的时间依赖关系。在PeMSD4和PeMSD8数据集上进行了验证,实验结果表明,所提网络相比基线模型能够更好地提升交通预测性能。关键词:交通预测;自适应图卷积网络;时空相关性;时空图神经网络;长短期记忆网络中图分类号:TP391文献标志码:A文章编号:1673-808X(2023)01-0007-07Anadaptivespatio-temporalgraphneuralnetworkfortrafficpredictionGANPing1,LINJiming1,2,NONGLiping2,3,WANGJunyi1(1.SchoolofInformationandCommunication,GuilinUniversityofElectronicTechnology,Guilin541004,China;2.SchoolofTelecommunicationEngineering,XidianUniversity,Xi'an710071,China;3.CollegeofPhysicsandTechnology,GuangxiNormalUniversity,Guilin541004,China)Abstract:Fortheproblemthattheneuralnetworkcan'tcapturethelong-termtrafficinformationinthespatialdimension,thenewneuralnetworkstructureproposedinthepastcan'tcapturethecomplextrafficdatainthespatialdimension.Throughadaptivegraphconvolutionalnetwork,thespecificstateofnode...
