基于深度学习的短时交通流量预测（TCGCN）

引言

提出一种基于TCGCN的短时交通流量预测模型，该模型结合了TCN和GCN两种强大的时序预测模型，并通过多尺度卷积和自注意力机制改进网络结构，有效提高模型短时交通流量预测的精度。

TCGCN

TCGCN结合了时间卷积网络（TCN）和图卷积网络（GCN）的特性，以便有效处理图时间序列数据[35]。
TCN中每个卷积层使用扩张卷积，以便捕捉时间序列数据中的长期依赖关系。扩张卷积可以表示为：

卷积操作后，每个卷积层都通过一个修剪操作（Chomp1d），以确保卷积不会引入未来的信息。修剪操作的目的是从卷积输出中去除多余的时间步，这些时间步是由于扩张卷积和填充引入的。这一步是TCN处理时间序列的关键部分，确保了因果关系和时间一致性。

为了加强网络的学习能力并避免在深层网络中出现的梯度消失问题，TCN模块使用残差连接，可以表示为：

整体结构