CN114781609B 一种基于多模式动态残差图卷积网络的交通流预测方法 （华东交通大学）_第1页
CN114781609B 一种基于多模式动态残差图卷积网络的交通流预测方法 （华东交通大学）_第2页
CN114781609B 一种基于多模式动态残差图卷积网络的交通流预测方法 （华东交通大学）_第3页
CN114781609B 一种基于多模式动态残差图卷积网络的交通流预测方法 （华东交通大学）_第4页
CN114781609B 一种基于多模式动态残差图卷积网络的交通流预测方法 （华东交通大学）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于多模式动态残差图卷积网络的交本发明公开了一种基于多模式动态残差图态图卷积替换门控循环神经网络中的线性变换2基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合的过程中包括，和为训练参数；其中，下标表示生成关系矩阵的第一个时间步，t基于所述邻接矩阵获取不同交通流模式的过程中，基于所述关系矩阵获取所述时间交通依赖，基于所述自适对所述不同交通流模式进行动态融合的过程中包括对所述时间交通依赖和所述空间交通依赖进行时空融合其中h为最终输出，ha表示时间交通依赖的特征，3其中和分别代表真值和预测值，代表预测的时45[0028]可选的，基于所述动态残差融合机制对所述历史数据和所述输[0032](1)传统交通流量预测中，通常只利用一种邻接矩阵来捕捉交通路网中的流量特[0033](2)本发明通过将多模式动态图卷积替换门控循环神经网络中的线性变换操作，6[0045]如图1-2所示，本实施例中提供一种基于多模式动态残差图卷积网络的交通流预[0054]步骤S02：将学习得到的两种邻接矩阵分别送入图卷积网络来提取不同交通模式7[0058]r(t)=[0059]u(t)=[0062]其中h(t)和H(t)分别代表动态融合模块的输出和GRU在时间步长t的输出，⊙代表是相应的滤波器参数。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，89

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论