交通流预测

本文介绍了一种新颖的交通预测框架,渐进图卷积网络,通过逐步适应在线数据构建邻接矩阵,并结合扩张因果卷积和门控单元提取时间特性。残差和跳过连接增强了模型的泛化能力,使其在不同地点表现出稳健性能。
摘要由CSDN通过智能技术生成

提出了一种名为渐进图卷积网络的新型交通预测框架。通过在训练和测试阶段逐步适应在线输入数据来构建一组图。具体来说,我们通过学习图节点间的趋势相似性来构建渐进邻接矩阵。然后,该模型与扩张因果卷积和门控激活单元相结合,提取时间特征。通过残差连接和跳过连接,可以进行交通预测。结论是逐步适应输入数据的能力使该模型能够在不同的研究地点进行稳健的泛化。

7a7e621e52d44bb9b910138f1c286548.png

42767041687549cb93c10c872dc3d1b5.png 

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值