题名 | 基于图卷积网络的交通预测方法研究 |
作者 | 张奇 |
答辩日期 | 2021-05 |
文献子类 | 博士 |
授予单位 | Institute of Automation, Chinese Academy of Sciences |
授予地点 | Institute of Automation, Chinese Academy of Sciences |
导师 | 向世明 |
关键词 | 交通预测 图卷积网络 时空数据挖掘 深度学习 |
学位专业 | 模式识别与智能系统 |
英文摘要 | 作为智能交通系统的重要组成部分,交通预测是众多交通应用的基础。性能良好的交通预测系统可以提供及时精确的交通信息,有助于缓解拥堵,提高出行效率,减少能耗和污染。由于其重要意义,交通预测受到了学术界和工业界的高度重视。
针对交通数据非平稳性的特点,提出了一种基于核加权图卷积神经网络的交通预测方法。该方法的核心思想是将多个卷积核的加权求和结果作为实际参与运算的卷积核,并通过调整卷积核的加权系数来放松权值共享约束。具体地,核加权图卷积同时学习多个候选卷积核以及随位置变化的卷积核线性组合系数。由于在不同位置实际使用了不同的卷积核参数,核加权图卷积放松了继承于经典卷积神经网络的权值共享约束,从而更适合处理非平稳的交通数据。在数学上,本文证明了所提方法可以被视为局部连接网络的低秩近似。实验结果验证了所提方法的有效性。
针对交通数据动态性和全局关联性的特点,提出了一种基于结构学习卷积神经网络的交通预测方法。首先,提出了结构学习卷积这一泛化性较强的图卷积框架,多种现有的图卷积方法可视为其特例。沿着这一技术路线,本文构建了两个结构学习模块以分别捕获全局和局部结构。每个模块分别包含一个静态结构学习项(用于学习所有样本的共享结构),和一个动态结构学习项(用于学习每个样本的独特结构)。模块中的每一项均可视为结构学习卷积的一种特殊实例化。此外,所提方法中加入了伪三维卷积模块来捕获交通数据中的时间依赖关系。该方法在六个交通数据集上进行评估,大量的对比实验表明所提出的方法优于当前主流方法。 |
语种 | 中文 |
页码 | 116 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/45053] |
专题 | 自动化研究所_模式识别国家重点实验室_遥感图像处理团队 |
推荐引用方式 GB/T 7714 | 张奇. 基于图卷积网络的交通预测方法研究[D]. Institute of Automation, Chinese Academy of Sciences. Institute of Automation, Chinese Academy of Sciences. 2021. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论