交通流预测:图卷积网络+seq2seq模型概述

本文将结合交通流量预测分析《Bike Flow Prediction with Multi-Graph Convolutional Networks》中的模型。
参考的这篇博客:https://blog.csdn.net/zuiyishihefang/article/details/96978243

图卷积网络

图网络可以有效的描述交通流预测中地图的拓扑结构,特别是在有采样点参与的情况下。
GNN为点和边都赋予属性,并在计算目标点的隐含状态时考虑相邻点和边的属性。
例如我们要预测点下图中点4的流量:
在这里插入图片描述
4号点T时刻的流量,是由点x1,x2,x4及边x13,x23,x43的流量预测出的。
其实预测出来的是隐藏态,即图中的h,所以最后那个g就是用来输出的。
函数f和g实际上就是神经网络,一般前馈就行了。

图卷积神经网络就是在点和边上加卷积核,相当于一个卷积区域:
在这里插入图片描述
GNN的好处就在于上下游关系考虑的很明显,不像CNN就是简单的窗口盖住放一起;另一方面就是传感器没有覆盖的点,利用图的拓扑结构可以利用由数据的点进行预测(点到点的推导)。

seq2seq模型预测流量

这篇文章里提了一个很有创造性的seq2seq用法:
在这里插入图片描述
首先encoder的输入,是较长时段的流量数据,会被压缩为状态向量final,确实吗,较长历史数据的影响主要是一个宏观趋势性的;而较近时段的时序数据,会直接输入decoder端。这里的encoder和decoder的输入H就是上文图神经网络中目标点产生的那个时序序列o。

但有趣的是,他在训练完encoder-decoder网络后并没有使用整个框架,而是把encoder取出来,用他生成的状态向量final,把final和其他的特征(比如时间、天气、车道车速等等)投进了一个MLP,然后用MLP生成最后的结果(为毛呢???)

  • 0
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 8
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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