亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于圖神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)*

        2022-10-14 06:54:54賴(lài)俊龍
        計(jì)算機(jī)時(shí)代 2022年10期
        關(guān)鍵詞:實(shí)驗(yàn)模型

        賴(lài)俊龍

        (華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院,廣東 廣州 510642)

        0 引言

        交通流預(yù)測(cè)是智能交通系統(tǒng)中的重要成分,準(zhǔn)確、有效的預(yù)測(cè)能夠改善和緩解城市的交通問(wèn)題。然而,由于交通路網(wǎng)拓?fù)浣Y(jié)構(gòu)的約束和交通流隨時(shí)間變化的規(guī)律,即:空間依賴(lài)性和時(shí)間依賴(lài)性,交通流預(yù)測(cè)成為一個(gè)有挑戰(zhàn)性的問(wèn)題。

        傳統(tǒng)的方法有ARIMA、卡爾曼濾波模型等,它們難以處理有較強(qiáng)不確定性的數(shù)據(jù)。因此,如K 近鄰模型、支持向量機(jī)模型等機(jī)器學(xué)習(xí)方法被提出,它們能夠?qū)Ω呔S和非線性特征的數(shù)據(jù)進(jìn)行建模,然而,這些模型在捕獲空間相關(guān)性上存在局限性。為此,Jiang 等將交通網(wǎng)絡(luò)視為圖像并用卷積神經(jīng)網(wǎng)絡(luò)來(lái)捕獲空間特征;Cheng等將卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)結(jié)合來(lái)學(xué)習(xí)時(shí)空相關(guān)性。但交通網(wǎng)絡(luò)并不像圖像那樣是規(guī)則的結(jié)構(gòu),于是,圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Network,GCN)被提出并用于特征學(xué)習(xí)。Zhao 等將GCN 與RNN結(jié)合提出了T-GCN模型;Li等提出擴(kuò)散卷積門(mén)控循環(huán)單元,并結(jié)合編碼器-解碼器結(jié)構(gòu)提出了DCRNN模型,但這些模型的預(yù)測(cè)效果還有待提高。

        為應(yīng)對(duì)上述挑戰(zhàn)和問(wèn)題,提出多分辨率時(shí)空注意力網(wǎng)絡(luò)(Multi-Resolution Spatio-Temporal Attention Network,MRSTAN),以便有效地利用時(shí)空特征,進(jìn)而提高預(yù)測(cè)的精準(zhǔn)度。

        1 本文模型

        圖1為模型的框架,主要包括空間模塊、時(shí)間模塊和融合模塊三個(gè)組件。

        圖1 多分辨率時(shí)空注意力網(wǎng)絡(luò)框架

        1.1 空間依賴(lài)性

        傳統(tǒng)GCN 采用的圖結(jié)構(gòu)是靜態(tài)的,不能正確的描述流量之間的依賴(lài)關(guān)系。如圖2 所示,道路1 發(fā)生交通事故后,隨時(shí)間演變會(huì)影響到道路2、3、4 處的交通情況。

        圖2 交通流時(shí)空相關(guān)性

        為了能自適應(yīng)地學(xué)習(xí)空間結(jié)構(gòu),采用了Guo 等提出的空間注意力,具體公式為:

        1.2 時(shí)間依賴(lài)性

        RNN 常用于序列數(shù)據(jù),但其存在梯度消失和梯度爆炸等缺陷。其變體LSTM 和GRU 可以解決這些缺陷,其中LSTM 比GRU 結(jié)構(gòu)更加復(fù)雜,訓(xùn)練時(shí)間更長(zhǎng)。因此,選擇GRU模型獲取時(shí)間依賴(lài)性,其具體公式如下:

        1.3 多分辨率融合

        交通流具有周期性,不同的分辨率下,它們之間的相似性有助于模型更好地學(xué)習(xí)到其中的規(guī)律。如圖3所示,2022年2月27日7:30-8:30為要預(yù)測(cè)的真實(shí)數(shù)據(jù),其與昨天、上周同一時(shí)段的車(chē)流量具有相似的趨勢(shì),例如都在第5個(gè)觀測(cè)點(diǎn)附近達(dá)到最低點(diǎn),在接近第7個(gè)觀測(cè)點(diǎn)達(dá)到最高峰,都具有繼續(xù)上升的趨勢(shì)。

        圖3 交通流時(shí)間周期性

        2 實(shí)驗(yàn)

        2.1 數(shù)據(jù)集

        實(shí)驗(yàn)中,采用PeMS-04 和PeMS-08 高速公路數(shù)據(jù)集,對(duì)其進(jìn)行歸一化并按照6:2:2 的比例隨機(jī)劃分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。

        2.2 基線方法

        為了評(píng)估模型的性能,將MRSTAN與以下基線方法進(jìn)行了比較。

        T-GCN:它在靜態(tài)圖上進(jìn)行圖卷積,并結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行交通流預(yù)測(cè)。

        Graph WaveNet:是一種使用自適應(yīng)圖表示和擴(kuò)張卷積的深度學(xué)習(xí)框架。

        ASTGCN:它是基于注意力的時(shí)空?qǐng)D卷積網(wǎng)絡(luò),利用時(shí)空注意力機(jī)制分別對(duì)時(shí)空動(dòng)態(tài)進(jìn)行建模。

        STSGCN:利用多個(gè)局部的時(shí)空子圖模塊直接同步捕獲局部時(shí)空相關(guān)性。

        STGODE:一種基于神經(jīng)微分方程的交通流預(yù)測(cè)框架,使用了連續(xù)的圖卷積和擴(kuò)張卷積進(jìn)行預(yù)測(cè)。

        2.3 實(shí)驗(yàn)設(shè)置

        所有實(shí)驗(yàn)均在Linux 服務(wù)器上進(jìn)行(CPU:Intel(R)Xeon(R) Gold 5218,GPU:GeForce RTX 2080 Ti)。均采用60 分鐘作為歷史時(shí)間窗口,并預(yù)測(cè)未來(lái)60 分鐘的交通流狀況?;€方法都遵循其論文中報(bào)告的最佳參數(shù)和結(jié)果。對(duì)本模型而言,所有隱藏維度都設(shè)置為64,采用三階的切比雪夫多項(xiàng)式進(jìn)行圖卷積,空間模塊層數(shù)為2,Adam 優(yōu)化器的學(xué)習(xí)率為0.001,采用L1 范數(shù)作為損失函數(shù),使用MAE、RMSE 和MAPE 作為性能指標(biāo),batchsize為32,訓(xùn)練代數(shù)為250。

        2.4 實(shí)驗(yàn)結(jié)果及分析

        實(shí)驗(yàn)結(jié)果如表1 所示,從中可知,在PeMS-04 上,本文方法各指標(biāo)均優(yōu)于最佳基線方法STGODE,在PeMS-08數(shù)據(jù)集上,MAPE比STGODE略差0.23%,但MAE 和RMSE 分別獲得了2.63%和1.45%的改進(jìn),這些結(jié)果證明了模型的有效性。

        表1 算法實(shí)驗(yàn)結(jié)果

        2.5 消融實(shí)驗(yàn)

        為了驗(yàn)證本方法不同模塊的有效性,設(shè)計(jì)了兩個(gè)變體:①-A:沒(méi)有注意力機(jī)制;②-F:沒(méi)有融合機(jī)制。實(shí)驗(yàn)結(jié)果見(jiàn)圖4,顯然,兩個(gè)變體誤差更大,表明模型的組件都是有效的。此外,沒(méi)有融合機(jī)制的模型表現(xiàn)最糟糕,表明本文提出的融合模塊的重要性。

        圖4 總體誤差

        3 結(jié)束語(yǔ)

        針對(duì)交通流預(yù)測(cè)效果不佳的問(wèn)題,提出多分辨率時(shí)空注意力網(wǎng)絡(luò)。先用注意力圖卷積操作獲取空間特征,再用GRU 獲取時(shí)間特征,最后融合不同時(shí)期的交通流進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)表明,該模型優(yōu)于基線方法。未來(lái)可以將其應(yīng)用于其他時(shí)空相關(guān)性預(yù)測(cè)問(wèn)題上,如天氣預(yù)測(cè)、氣候變化預(yù)測(cè)等。

        猜你喜歡
        實(shí)驗(yàn)模型
        一半模型
        記一次有趣的實(shí)驗(yàn)
        微型實(shí)驗(yàn)里看“燃燒”
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)
        3D打印中的模型分割與打包
        NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)
        實(shí)踐十號(hào)上的19項(xiàng)實(shí)驗(yàn)
        太空探索(2016年5期)2016-07-12 15:17:55
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        中文字幕无码免费久久9一区9| 亚洲精品一品区二品区三品区 | 国产人妖在线观看一区二区三区| 日韩 亚洲 制服 欧美 综合| 国产在线精品一区在线观看| 欧美日韩性视频| 少妇被爽到自拍高潮在线观看| 亚洲国产色婷婷久久精品| 国产md视频一区二区三区| 天天av天天爽无码中文| 国产免费一区二区av| 国产激情视频在线观看大全| 东京道一本热中文字幕| 欧美一片二片午夜福利在线快| 国产精品白浆免费观看| 日韩人妻系列在线观看| 国产99久久久国产精品免费看| 91国视频| 国产麻豆一区二区三区在线播放| 国产一区二区三区av天堂| 亚洲综合国产一区二区三区| 亚洲精品乱码久久久久久麻豆不卡| 亚洲一区二区三区最新视频| 亚洲综合天堂av网站在线观看| а√天堂资源8在线官网在线| 国产又爽又黄又不遮挡视频| 久久中文字幕一区二区| 玩50岁四川熟女大白屁股直播| 热久久这里只有| 亚洲激情一区二区三区视频| 麻花传媒68xxx在线观看| 性饥渴艳妇性色生活片在线播放 | 国产精品天干天干| 初尝黑人巨砲波多野结衣| av在线免费观看你懂的| 伊人加勒比在线观看视频| 国产精品51麻豆cm传媒| 国产一级三级三级在线视| 男女搞基视频免费网站| 亚洲乱码一区av春药高潮| 亚洲七七久久综合桃花|