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。