考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

基于全局时空特性的城市路网交通速度预测模型

城市路网交通速度预测是智能交通系统中的重要组成部分,其可为出行者提供实时的交通信息,对提升道路通行能力具有重要意义。现有基于图卷积网络的预测模型一定程度上加强了对一阶相邻路段间空间关联程度的挖掘,但在非一阶相邻路段关联度大于一阶相邻路段关联度的情况下,如果仍输入原始的邻接矩阵,会遗失一些相对重要的路段空间信息,无法得到较好的预测结果。为准确挖掘城市路网中的时空特性,提出一种基于全局图卷积和门控循环单元的城市路网交通速度预测模型G-GCGRU。考虑全局路网下非一阶相邻路段间的空间影响程度,利用相关性分析方法计算得到路段间的关联度矩阵,并作为新的卷积方式进一步加深对空间特征的挖掘,在此基础上,采用门控循环单元方法提取路网时间特征。使用深圳市罗湖区城市路网车速数据进行实验,结果表明,该模型预测性能优于图卷积网络（GCN）、门控循环单元（GRU）和GCN-GRU混合模型,以均方根误差为评价指标,预测精度分别提高25.3%、4.7%和2.1%。     

基于时空图卷积网络的交通事故风险预测研究

交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测。以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳。提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络（GCN）提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题。在时间维度上采用门控线性单元（GLU）实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题。实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28%、4.87%、4.19%,能有效捕获时空相关性,综合性能得到较大提升。     

基于GCN-GRU的瓦斯浓度时空分布预测

在煤矿井下复杂环境下,传统瓦斯浓度预测模型的预测精度较低,虽然通过引入各种优化算法对传统瓦斯浓度预测模型进行优化,提高了瓦斯浓度预测精度,但仅从时间维度进行建模,忽略了瓦斯浓度的空间特性,易导致重要先验知识丢失,影响预测效果。针对上述问题,提出一种基于图卷积神经网络（GCN）和门控循环单元（GRU）的瓦斯浓度时空分布预测模型。首先,对瓦斯浓度历史数据进行预处理,根据各采集节点间的空间距离,构建瓦斯浓度空间节点图,用于对节点间复杂的依赖关系进行建模。然后,在每个采样时间点,将瓦斯浓度和节点间的距离权重参数作为输入,获得瓦斯的空间节点图结构后,通过GCN进行空间特征自适应学习和图卷积运算,得到瓦斯浓度的空间特征,再将瓦斯浓度的空间特征信息转化为序列数据,输入到GRU。最后,GRU对时间序列下各时刻组成的瓦斯空间特征信息进行处理,通过基于序列到序列模型和自动编码器,生成模型预测结果。试验结果表明：(1) GCN-GRU模型能够较为准确地预测瓦斯浓度的总体变化趋势,预测结果与实际数据的拟合度优于历史平均（HA）模型和支持向量回归（SVR）模型。(2) GCN-GRU模型的均方根误差较HA模型、...     

基于门控循环图卷积网络的交通流预测

交通流预测在智能交通系统的建设中起着关键性的作用,然而现有预测方法无法准确地挖掘其潜在的时空相关性,而且大都采用全连接网络进行单步预测。为了进一步挖掘数据的时空特性以及提升长短期预测的精度,提出了一种门控循环图卷积网络（GR-GCN）模型。首先,利用频域上的图卷积结合门控循环单元（GRU）构建一个时空组件（STC）以同时捕获节点的时空相关性,充分地提取数据的时空特征;然后,利用该时空组件构成编码器单元,并将时间序列数据和路网结构数据输入其中;最后,使用门控循环单元作为解码器单元,并按照时间顺序将两者组成一个编码器—解码器（encoder-decoder）结构,依次解码出每个时刻的预测结果。在加利福尼亚交通局（Caltrans）性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验。结果表明,所提模型GR-GCN在预测未来15 min、30 min、45 min和60 min的交通流量方面优于大多数现有基准模型,尤其是在长期预测方面。     

基于高阶图卷积自编码器的网络流量预测

网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络（SDN）架构,利用高阶图卷积网络（GCN）获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元（GRU）获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。     

融合GRU和注意力机制的图卷积关系抽取

实体关系抽取在自然语言处理中十分重要,针对图卷积网络中特征提取不准确,循环神经网络梯度模糊等问题,提出了一种融合门控循环单元（GRU）和注意力机制的图卷积关系抽取模型。通过加入双向GRU对输入的上下文信息进行处理,获得更为细致的特征以此对长期依赖信息进行学习,并进一步利用多头注意力机制对不同类型的边与节点进行权重分配,过滤多余信息,增强节点间的关联性,最后利用图卷积得到最终的关系抽取结果。针对SemEval-2010Task8和SemEval-2010Task4数据集中对其进行测试,实验表明该方法提高了其F1值,能够实现关系的有效提取。     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

基于多时空图卷积网络的交通流预测

交通流预测在交通管理和城市规划的应用中具有重要意义,然而现有的预测方法无法充分挖掘其潜在的复杂时空相关性,为进一步挖掘路网道路网络数据的时空特性以提高预测精度,提出一种多时空图卷积网络(multi-spatial-temporal graph convolutional network,MST-GCN)模型。首先,利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性;其次,分别提取周相关、日相关、邻近时间的序列数据,输入三个时空组件以深度挖掘不同时间窗口间的时间相关性;最后,将时空组件与编码器—解码器网络结构(encoder-decoder)融合组建MST-GCN模型。利用加利福尼亚州交通局(Caltrans)性能评估系统中高速公路数据集PEMS04和PEMS08进行实验,结果表明新模型的性能明显优于门控循环单元模型和最近提出的扩散卷积循环神经网络(DCRNN)、时间图卷积网络(T-GCN)、基于注意力机制的时空图卷积神经网络(ASTGCN)和时空同步图卷积网络(STSGCN)模型。     

面向动态交通流预测的双流图卷积网络

准确的交通流预测能够为管理部门提供合理的决策依据,为驾驶员提供实时的道路状况预警,是交通领域至关重要的问题.近年来,相关研究利用图卷积神经网络(GCN)处理非欧式空间结构的特点,对来自复杂路网的交通流数据进行空间相关性建模.然而,现有基于图卷积的交通流预测方法未能充分考虑空间相关性的有向性和动态性这两个重要特点.考虑到...     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

基于ResGCN-GRU的大气污染风险源识别

重污染天气是“十四五”时期大气污染治理的重点工作,在重污染天气时期对风险源进行精准识别,可以及时发出预警,做好环境污染治理,防止污染事件进一步加重.基于网格化监测技术获取的数据,本文提出一种结合残差网络(ResNet)、图卷积网络(GCN)和门控循环网络(GRU)的深度学习模型ResGCN-GRU,该模型主要应用于重污染天气时期识别风险源.重污染天气的风险源往往都是区域性的,具有明显的时空特征,因而本文先利用GCN网络提取监测点位之间的空间特征,同时利用ResNet解决多层GCN带来的过平滑以及梯度消失问题;再利用GRU提取风险源的时间特征,最后将全连接层融合的时空特征输入到Softmax激活函数得到二分类概率值,再根据概率值得到分类结果.为验证本文提出的模型性能,本文基于沈阳市72个监测点位的数据,通过精确度、召回率以及综合评价指标对GCN、LSTM、GRU和GCN-GRU进行对比,实验结果表明ResGCN-GRU模型分类效果的精确度分别要好16.9%、4.3%、3.1%、2.9%,证明了本文提出的模型在大气风险源识别方面更加有效,可以根据风险源数据的时空特征达到对风险源的精准识别.     

基于门控卷积的时空交通流预测模型

针对现有的交通流预测模型未能精确捕获交通数据的时空特征,以及大部分模型都是在单步预测中体现出良好的预测性能,在多步预测中模型的预测性能显得并不理想的问题,提出了一种基于门控卷积的时空交通流预测模型（GC-STTFPM）。首先,利用图卷积网络（GCN）结合门控循环单元（GRU）来捕获交通流数据的时空特征;然后提出了一种利用卷积门控单元对原始数据和时空特征数据进行拼接与筛选处理的方法来对时空特征数据的有效性进行校验;最后,将GRU作为解码器来对未来交通流作出准确可靠的预测。在洛杉矶公路的交通数据集上的实验结果表明,GC-STTFPM在单步预测（5 min）中与基于注意力的时空图神经网络（ASTGNN）和扩散卷积递归神经网络（DCRNN）相比,平均绝对误差（MAE）分别降低了5.9%和9.9%,均方根误差（RMSE）分别降低了1.7%和5.8%。同时,GC-STTFPM在15、30、60 min三个多步尺度下的预测精度优于大多数现有基准模型,具有较强的适应性和鲁棒性。     

预加权调制密集图卷积网络三维人体姿态估计

图卷积网络（GCN）日益成为三维人体姿态估计（3D HPE）的主要研究热点之一,使用GCN对人体关节点之间的关系建模的方法使三维人体姿态估计获得了良好的性能。然而,基于GCN的三维人体姿态估计方法存在过平滑和未区分关节点与相邻关节点重要性的问题。为解决这些问题,设计了调制密集连接模块（MDC）和预加权图卷积模块,并基于这两个模块提出了预加权调制密集图卷积网络的三维人体姿态估计方法（WMDGCN）。针对过平滑问题,调制密集连接通过超参数α和β更好地实现特征重用（超参数α表示第l层和之前各层总特征的权重比例,超参数β表示之前各层特征到第l层的传播策略）,从而有效地提高特征的表达能力。针对未区分关节点与相邻关节点重要性的问题,使用预加权图卷积为当前关节点赋予更高的权重,并对当前关节点及其相邻关节点使用不同的权重矩阵,更有效地捕获人体关节点特征。Human3.6M数据集上的对比实验结果表明,该方法在参数量和性能上均取得了最佳性能,WMDGCN的参数量、MPJPE和P-MPJPE值分别为0.27 MB、37.46 mm和28.85 mm。     

基于时空图卷积网络的机场地铁短时客流预测

机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键。考虑到机场复杂的空间结构与航班波动的影响，建立基于图卷积神经网络（GCN）和组合门控卷积（GLU）的机场地铁短时客流预测模型。通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系，同时，设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征，有效地捕捉地铁客流的波动性。基于首都机场T3航站楼真实客流数据对模型的有效性进行检验，经多次实验结果表明，提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型，该模型能捕捉地铁客流与航班客流的波动变化关系，具有较高的预测精度，提高了模型预测的鲁棒性。     

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。     

基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network, PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit, MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。     

基于两级筛选机制及深度学习组合模型实现短时交通流预测

准确实时的短时交通流预测对现代交通管理服务体系的构建至关重要.为了充分挖掘并利用不同路段短时交通流交互作用而表现出的时空特性,构建由自相关函数、互相关函数和KNN算法组成的两级筛选机制评估与目标路段的相关性优化路段组合,实现空间信息深度挖掘;提出一种GCN-GRU组合预测模型,利用图卷积网络(GCN)全局处理路段拓扑信息的优势进一步捕捉短时交通流的空间特性,并借助门控循环单元(GRU)对时间信息的长时记忆能力提取其时间特性.利用实测高速公路短时交通流数据进行验证,仿真结果表明,采用两级筛选机制对路段进行有效筛选并引入深度学习组合模型,预测性能明显改善,优于堆栈式自编码网络(SAEs)和GRU等经典模型.     

融合社交关系的轻量级图卷积协同过滤推荐方法

图卷积网络(graph convolution network, GCN)因其强大的建模能力得到了迅速发展,目前大部分研究工作直接继承了GCN的复杂设计（如特征变换,非线性激活等）,缺乏简化工作。另外,数据稀疏性和隐式负反馈没有被充分利用,也是当前推荐算法的局限。为了应对以上问题,提出了一种融合社交关系的轻量级图卷积协同过滤推荐模型。模型摒弃了GCN中特征变换和非线性激活的设计;利用社交关系从隐式负反馈中产生一系列的中间反馈,提高了隐式负反馈的利用率;最后,通过双层注意力机制分别突出了邻居节点的贡献值和每一层图卷积层学习向量的重要性。在2个公开的数据集上进行实验,结果表明所提模型的推荐效果优于当前的图卷积协同过滤算法。     

基于指数成分股关联的图卷积指数走势预测

利用历史交易数据预测股市指数未来走势是金融领域的重要问题，使用图卷积网络融合指数间走势关联性是该领域的前沿热点。针对当前图卷积指数预测中历史与未来动态图不一致的问题，提出一种基于指数成分股构建图结构的图卷积指数走势预测方法 G-Conv。该方法提取传统量化特征和一维卷积网络的深度特征作为预测样本的特征。使用指数的成分股数据构建指数图结构，并对不同指数样本特征做图卷积以得到指数预测结果。使用A股中42个常用指数验证该方法的有效性。实验使用MAE和MSE作为模型训练的损失函数，选取GC-CNN、ADGAT等经典方法作为比较基准，结果表明在两种误差评价标准下，G-Conv分别降低平均预测误差5.10%和4.20%，且表现出较好的泛化性能。