摘要：准确的交通预测对城市规划、交通安全有着重要的意义。现有的预测模型大多集中在设计复杂的预定义的图来捕获交通数据的特征。然而,交通数据具有很强的空间依赖性,这意味着道路网络拓扑图的节点之间往往存在着复杂的相关性,并且道路网络的拓扑图随着时间的推移而变化。预定义的图可能无法完整获取交通信息。针对该问题,提出了一个基于自适应时空图神经网络的交通预测模型,首先提出一个图结构学习组件,分别捕获交通网络的宏观和微观信息,将它们集成为最优图邻接矩阵。然后设计一个时空卷积块用以捕获交通数据的时空特性。在METR-LA和PEMS-BAY数据集上展开实验,实验结果表明所提出模型的预测性能优于主流模型。

摘要：精确地预测出租车需求,有助于缩短司机和乘客的等待时间,缓解交通拥堵状况。然而,目前的研究工作大都忽略了出租车历史流入量以及不同区域间潜在的空间依赖关系对出租车需求的影响。鉴于此,综合考虑多个影响出租车需求的因素,建立多因素时空图卷积网络模型(MFSTGCN),期望精确地预测出租车需求。具体地,MFSTGCN模型设计4个组件,分别建模出租车需求对临近时刻需求序列、日需求序列、出租车历史流入量序列的时间依赖性以及不同区域间的潜在空间依赖性。组件通过时空卷积块捕捉不同因素下的潜在时空表达。为了证明MFSTGCN模型的有效性,与交通预测常用的五种基准模型进行比较,并利用RMSE、MAE和MAPE三个指标进行评估。实验结果表明,融合多因素的MFSTGCN模型能够更精确地预测出租车需求。