交通物流模型 | T-GCN:用于交通流预测的时序图卷积网络

为了同时捕获空间和时间依赖性，本文提出了一种新的基于神经网络的交通流预测方法——时间图卷积网络(T-GCN)模型，该模型将图卷积网络(GCN)和门控循环单元(GRU)相结合。具体来说，GCN用于学习复杂拓扑结构以获取空间相关性，GRU用于学习交通数据的动态变化以获取时间相关性。然后，将T-GCN模型应用于基于城市路网的交通预测。实验证明，我们的T-GCN模型可以从交通数据中获得时空相关性，并且预测结果优于现实交通数据集上的最先进基线模型。

交通预测由于其复杂的时空依赖性，一直是一项具有挑战性的任务:

(1)空间依赖性。交通量的变化主要受城市路网拓扑结构的影响。上游道路交通状况通过传递效应影响下游道路交通状况，下游道路交通状况通过反馈效应[4]影响上游道路交通状况。如图1所示，由于相邻道路之间的影响较强，短期相似度由状态1(上游道路与中游道路相似)变为状态2(上游道路与下游道路相似)。
(2)时间依赖性。交通量随时间动态变化，主要表现为周期性和趋势性。如图2(a)所示，道路上的交通量在一周内呈周期性变化。如图2(b)所示，一天的交通量随时间变化;例如，当前的交通量受到前一刻甚至更长时间的交通状况的影响。

为了解决上述问题，本文主要贡献有：

(1) T-GCN模型集成了图卷积网络和门控循环单元。利用图卷积网络捕获道路网络的拓扑结构