交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测

交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测

基本介绍

将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络 (Diffusion Convolutional Recurrent Neural Network，DCRNN)，这是一种用于交通预测的深度学习框架，它在交通流中结合了空间和时间依赖性。具体来说，DCRNN 使用图上的双向随机游走来捕获空间依赖性，并使用具有计划采样（scheduled sampling）的编码器-解码器架构来捕获时间依赖性。

• 在这项工作中，我们使用有向图表示交通传感器之间的成对空间相关性，其节点是传感器，边权重表示通过道路网络距离测量的传感器对之间的接近度。
• 我们将交通流的动态建模为扩散过程，并提出扩散卷积操作来捕获空间依赖性。我们进一步提出了扩散卷积递归神经网络（DCRNN），它集成了扩散卷积（diffusion convolution）、序列