基于相互学习的短时交通流预测研究.pdfVIP

基于相互学习的短时交通流预测研究.pdf

此“教育”领域文档为创作者个人分享资料,不作为权威性指导和指引,仅供参考
  1. 1、本文档共8页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

计算机测量与控制.2024.32(4)设计与应用

·166·ComputerMeasurementControl

DOI:10.16526/ki.11-4762/tp.2024.04.024中图分类号:U495文献标识码:A

文章编号:1671-4598(2024)04-0166-08

基于相互学习的短时交通流预测研究

刘忠伟1,李萍²,周盛1,闫豆豆²,李颖²,安毅生²

(1.云基智慧工程有限公司,广东深圳518000;2.长安大学信息工程学院,西安710064)

摘要:交通流预测是智能交通系统(ITS)的核心,其中时空特性是最主要的特征;由于不同道路之间存在复杂的空间相关

性和时间依赖性,因此交通流预测成为一项具有挑战性的任务;目前,基于图卷积神经网络的预测方法在网络局部以及整体的特

征感知和提取方面,仍存在优化空间;为了解决以上问题,提出了一种基于图神经网络的优化模型(DMCRNN),该模型以

DCRNN为基准模型,利用相互学习策略对其进行优化;在训练过程中,两个DCRNN网络之间相互学习、相互指导,以此来增

强每个网络的特征学习能力;在METR-LA和PEMS-BAY两个真实数据集上验证优化策略的有效性;结果表明,经过优化后的

模型预测误差显著降低,在两个数据集上一小时的MAE与DCRNN相比分别降低了0.15和0.12,即相互学习优化策略具有较

好的性能。

关键词:交通流预测;时空特性;图神经网络;知识蒸馏;相互学习

ResearchonShort-termTrafficFlowPredictionBasedonMutualLearning

LIUZhongwei,LIPing,ZHOUSheng,YANDoudou’,LIYing’,ANYisheng”

(1.YunjiSmartEngineeringCo.,Ltd.,Shenzhen518000,China;

2.SchoolofInformationEngineering,ChanganUniversity,Xian710064,China)

Abstract:Trafficflowpredictionisthecoreofintelligenttransportationsystems(ITS),withspatiotemporalcharacteristicsbeing

themostimportantfeature.Duetothecomplexspatialcorrelationsandtimedependenciesbetweendifferentroads,thetrafficflow

predictionhasbecomeachallengingtask.Currently,predictionmethodsbasedongraphconvolutionalneuralnetworksarefurtherop-

timizedonthefeatureperceptionandextractionoflocalandglobalnetworks.Toaddressaboveissues,adiffusionmutualconvolution-

alrecurrentneuralnetwork(DMCRNN)optimizedmodelbasedongraphneuralnetworksisproposed.Themodelisbasedonthe

DCRNNasabenchmarkmodel,andthemutuallearningstrategyisutilizedtooptimizeit.Duringtrainin

文档评论(0)

经管专家 + 关注
实名认证
文档贡献者

各类文档大赢家

版权声明书
用户编号:6055234005000000

1亿VIP精品文档

相关文档