前言

交通流预测代码集合
在这里插入图片描述

一、T-GCN

一种用于流量预测的时间图卷积网络

准确、实时的交通预测在智能交通系统中起着重要作用，对城市交通规划、交通管理和交通控制具有重要意义。然而，交通预测一直被认为是一个开放的科学问题，受限于城市路网拓扑结构和随时间动态变化的规律，即空间依赖性和时间依赖性。为了同时捕获空间和时间依赖性，我们提出了一种新的基于神经网络的流量预测方法，时间图卷积网络（T-GCN）模型，它结合了图卷积网络（GCN）和门控循环单元（格鲁乌）。具体来说，GCN 用于学习复杂的拓扑结构以捕获空间依赖性，门控循环单元用于学习交通数据的动态变化以捕获时间依赖性。然后，将T-GCN模型应用于基于城市路网的交通预测。实验表明，我们的 T-GCN 模型可以从交通数据中获得时空相关性，并且预测优于真实世界交通数据集上的最新技术基线。

二、A3T-GCN

A3T-GCN：用于流量预测的注意力时间图卷积网络

准确的实时交通预测是智能交通系统实施的核心技术问题。然而，考虑到交通流之间复杂的空间和时间依赖性，它仍然具有挑战性。在空间维度上，由于道路网络的连通性，相连道路之间的交通流量密切相关。就时间因素而言，虽然一般而言相邻时间点之间存在趋势，但过去较远的点的重要性并不一定小于最近过去的点，因为交通流量也会受到外部因素的影响。在这项研究中，提出了一种注意力时态图卷积网络 (A3T-GCN) 流量预测方法，以同时捕获全局时间动态和空间相关性。A3T-GCN 模型通过使用门控循环单元学习时间序列中的短时间趋势，并通过图卷积网络学习基于道路网络拓扑的空间依赖性。此外，引入注意力机制来调整不同时间点的重要性并组装全局时间信息以提高预测准确性。真实数据集中的实验结果证明了所提出的 A3T-GCN 的有效性和鲁棒性。

三、 AST-GCN

用于流量预测的属性增强时空图卷积网络

交通预测是智能交通领域的一项基础性且具有挑战性的任务。准确的预测不仅依赖于历史交通流量信息，还需要考虑多种外部因素的影响，如天气状况、周边POI分布等。近年来，融合图卷积网络和递归神经网络的时空模型成为交通预测研究的热点，并取得了重大进展。然而，很少有作品整合外部因素。因此，基于引入外部因素可以提高时空预测流量准确性和提高可解释性的假设，我们提出了一种属性增强时空图卷积网络（AST-GCN）。我们将外部因素建模为动态属性和静态属性，并设计了一个属性增强单元来将这些因素编码并集成到时空图卷积模型中。与传统交通预测方法相比，对真实数据集的实验表明在交通速度预测任务中考虑外部信息的有效性。此外，在不同的属性增强方案和预测范围设置下，AST-GCN 的预测精度高于基线。与传统交通预测方法相比，对真实数据集的实验表明在交通速度预测任务中考虑外部信息的有效性。此外，在不同的属性增强方案和预测范围设置下，AST-GCN 的预测精度高于基线。与传统交通预测方法相比，对真实数据集的实验表明在交通速度预测任务中考虑外部信息的有效性。此外，在不同的属性增强方案和预测范围设置下，AST-GCN 的预测精度高于基线。

四、KST-GCN

一种用于流量预测的知识驱动时空图卷积网络

在考虑交通的时空特征的同时，捕捉各种外部因素对出行的影响是实现准确交通预测的重要一步。然而，现有研究很少考虑外部因素或忽略外部因素之间复杂的相关性对交通的影响。直观上，知识图可以自然地描述这些相关性。由于知识图谱和交通网络本质上是异构网络，因此将两个网络中的信息整合起来具有挑战性。在此背景下，本研究提出了一种基于时空图卷积网络的知识表示驱动的交通预测方法。我们首先构建一个用于流量预测的知识图谱，并通过名为 KR-EAR 的知识表示学习方法推导知识表示。然后，我们提出知识融合单元（KF-Cell）将知识和流量特征结合起来作为时空图卷积骨干网络的输入。在真实世界数据集上的实验结果表明，我们的策略提高了骨干网在不同预测范围内的预测性能。消融和扰动分析进一步验证了所提方法的有效性和稳健性。据我们所知，这是第一项构建和利用知识图谱来促进流量预测的研究；它还为整合外部信息和时空信息进行交通预测提供了一个有前途的方向。

五、CGNN

曲率图神经网络

图神经网络 (GNN) 在许多基于图的任务中取得了巨大成功。许多工作致力于赋予 GNN 自适应局部能力，这使得能够通过特定于节点的机制测量相邻节点对目标节点的重要性。然而，当前的节点特定机制在区分节点在拓扑结构中的重要性方面存在不足。我们认为相邻节点的结构重要性与其在聚合中的重要性密切相关。在本文中，我们引入离散图曲率（Ricci 曲率）来量化成对节点的结构连接强度。我们提出了一种曲率图神经网络（CGNN），它通过利用图曲率的结构特性有效地提高了 GNN 的自适应局部性能力。为了提高曲率对各种数据集的适应性，我们通过必要的负曲率处理模块和曲率归一化模块将曲率显式转换为相邻节点的权重。然后，我们对各种合成和真实世界的数据集进行了大量实验。在合成数据集上的实验结果表明，CGNN 有效地利用了拓扑结构信息，性能得到显着提高。CGNN 在 5 个密集节点分类基准数据集上优于基线。这项研究加深了对如何利用高级拓扑信息并从图曲率的角度分配相邻节点重要性的理解，并鼓励弥合图论和神经网络之间的差距。

六、STGC-GNNs

STGC-GNNs：基于GNN的流量预测框架，具有时空格兰杰因果关系图

为交通预测任务建模道路网络的空间依赖性很重要。空间依赖的本质是准确描述交通信息传输如何受到道路网络中其他节点的影响，而基于GNN的交通预测模型作为交通预测的基准，成为最常用的建模能力的方法通过使用消息传递机制传输交通信息来消除空间依赖性。然而，交通信息的传递在长期交通预测中是一个全局的动态过程，不能用局部的、静态的空间依赖来描述。在本文中，我们提出了一种时空格兰杰因果关系（STGC）来模拟全局和动态空间依赖性，它可以捕获动态交通流下的节点之间的稳定因果关系。STGC可以通过我们提出的时空格兰杰因果检验方法来检测。我们选择了 T-GCN、STGCN 和 Graph Wavenet 作为 bakbones，在三个主干模型上的实验结果表明，使用 STGC 对空间依赖性进行建模对于 45 分钟和 1 小时的长期预测具有比原始模型更好的结果。