CN119399970A 一种基于改进时空图卷积神经网络的交通流量预测方法 （上海电力大学）_第1页
CN119399970A 一种基于改进时空图卷积神经网络的交通流量预测方法 （上海电力大学）_第2页
CN119399970A 一种基于改进时空图卷积神经网络的交通流量预测方法 （上海电力大学）_第3页
CN119399970A 一种基于改进时空图卷积神经网络的交通流量预测方法 （上海电力大学）_第4页
CN119399970A 一种基于改进时空图卷积神经网络的交通流量预测方法 （上海电力大学）_第5页
已阅读5页，还剩14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

一种基于改进时空图卷积神经网络的交通本发明涉及一种基于改进时空图卷积神经明具有提高模型在面对复杂道路拓扑结构时的2据上一个节点传递下来的隐藏状态和当前节点的交通信息来获取当前节点的控制门和更步骤S5，根据最后一个节点输出的隐藏状态表示完步骤S7，将图学习模块得到的单向链接形式邻接矩阵W与历史流量数据输入到预测模步骤S8，将多个图卷积通过图拉普拉斯的一阶近似进步骤S9，将经过图卷积后的历史流量数据通过离散傅2.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其3.根据权利要求2所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其4.根据权利要求3所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其35.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其t-1为上一个节点传递下来的隐藏状态。6.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其7.根据权利要求6所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其8.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其TT9.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其4[0004]图神经网络(GNN)凭借其对图数据处理的优越性，在处理交通数据方面取得了相复杂道路拓扑结构时的预测精度而提供的一种基于改进时空图卷积神经网络的交通流量元根据上一个节点传递下来的隐藏状态和当前节点的交通信息来获取当前节点的控制门5后的隐藏状态和当前节点的交通信息拼接起来，然后利用激活函数对拼接的数据进行缩[0014]步骤S7，将图学习模块得到的单向链接形式邻接矩阵W与历史流量数据输入到预[0018]步骤S11，将变换后的预测结果进行评估，若不满足损失函数的要求则返回步骤]]-z)-1为上一个节点传递下来的隐藏状态。6[0048]本发明采用门控循环单元(GRU)和注意力机制进行图学习，得到以邻接矩阵表示1)利用门控循环单元(GRU)和注意力机制进行图学习，得到以邻接矩阵表示的交通流量数7]]8基veRen是归一化的图拉普拉斯AeR*是L的特征值和D分别用W=W+In和进行重整。

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