贴一下汇总贴:论文阅读记录
论文链接:《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》
一、摘要
准确、实时的交通预测在智能交通系统中发挥着重要作用,对城市交通规划、交通管理和交通控制具有重要意义。然而,由于城市道路网络拓扑结构和动态变化规律的约束,交通预测一直被认为是一个“开放”的科学问题。为了同时捕捉空间和时间依赖性,我们提出了一种新的基于神经网络的交通预测方法——时间图卷积网络(T-GCN)模型,该模型将图卷积网络(GCN)和门控回归单元(GRU)相结合。具体而言,GCN用于学习复杂的拓扑结构以捕获空间依赖性,门控回归单元用于学习交通数据的动态变化以捕获时间依赖性。然后,将T-GCN模型应用于基于城市路网的交通预测。实验表明,我们的T-GCN模型能够从交通数据中获得时空相关性,并且预测结果优于世界上最先进的交通数据集基线。
文章主要内容
提出了一种基于神经网络的交通预测方法—时间图卷积网络(T-GCN)模型,该模型结合了图卷积网络(GCN)和门控递归单元(GRU)。应用于基于城市路网的交通预测,实验表明T-GCN模型预测结果优于基准模型。
二、结论
- 开发了一种新的基于神经网络的交通预测方法,称为T-GCN,它将GCN和GRU相结合。
- 用图网络来建模城市道路网络,图上的节点表示道路