HyperAIHyperAI
منذ 2 أشهر

T-GCN: شبكة تلافيفية زمنية للبيانات الرسمية لتنبؤات الحركة المرورية

Ling Zhao; Yujiao Song; Chao Zhang; Yu Liu; Pu Wang; Tao Lin; Min Deng; Haifeng Li
T-GCN: شبكة تلافيفية زمنية للبيانات الرسمية لتنبؤات الحركة المرورية
الملخص

التنبؤ الدقيق والآني بالحركة المرورية يلعب دورًا مهمًا في نظام النقل الذكي ويحمل أهمية كبيرة للتخطيط الحضري للمرور وإدارته وضبطه. ومع ذلك، فإن التنبؤ بالحركة المرورية كان دائمًا يعتبر قضية علمية مفتوحة، نظرًا لقيود بنية الشبكة الطوبولوجية للطرق الحضرية وقانون التغير الديناميكي مع الزمن، أي الارتباط المكاني والارتباط الزماني. للا nabg القائم على الشبكات العصبية، وهو نموذج الشبكة الرسمية الزماني (T-GCN)، والذي يجمع بين الشبكة الرسمية الرسومية (GCN) والوحدة المتكررة ذات البوابة (GRU). بوجه خاص، يتم استخدام GCN لتعلم الهياكل الطوبولوجية المعقدة وتقديم الارتباط المكاني، بينما يتم استخدام الوحدة المتكررة ذات البوابة لتعلم التغيرات الديناميكية في بيانات الحركة المرورية وتقديم الارتباط الزماني. بعد ذلك، يتم توظيف نموذج T-GCN في التنبؤ بالحركة المرورية استنادًا إلى شبكة الطرق الحضرية. أظهرت التجارب أن نموذج T-GCN الخاص بنا يمكنه الحصول على الارتباط المكاني-زماني من بيانات الحركة المرورية وأن التوقعات تتفوق على أفضل الأساليب السابقة في مجموعات البيانات المرورية الفعلية. يمكن الوصول إلى تنفيذنا لنموذج T-GCN باستخدام TensorFlow عبر الرابط: https://github.com/lehaifeng/T-GCN.请注意,上述翻译中有一处小错误,正确的翻译应该是:التنبؤ الدقيق والآني بالحركة المرورية يلعب دورًا مهمًا في نظام النقل الذكي ويحمل أهمية كبيرة للتخطيط الحضري للمرور وإدارته وضبطه. ومع ذلك، فإن التنبؤ بالحركة المرورية كان دائمًا يعتبر قضية علمية مفتوحة، نظرًا لقيود بنية الشبكة الطوبولوجية للطرق الحضرية وقانون التغير الديناميكي مع الزمن، أي الارتباط المكاني والارتباط الزماني. للاستيلاء على الارتباط المكاني والزماني بشكل متزامن، اقترحنا طريقة جديدة للتنبؤ بالحركة المرورية تعتمد على الشبكات العصبية وهي نموذج الشبكة الرسمية الزمانية (T-GCN)، والذي يجمع بين الشبكة الرسمية الرسومية (GCN) والوحدة المتكررة ذات البوابة (GRU). بوجه خاص، يتم استخدام GCN لتعلم الهياكل الطوبولوجية المعقدة واستخراج الارتباط المكاني، بينما يتم استخدام الوحدة المتكررة ذات البوابة لتعلم التغيرات الديناميكية في بيانات الحركة المرورية واستخراج الارتباط الزماني. بعد ذلك، يتم توظيف نموذج T-GCN في التنبؤ بالحركة المرورية استنادًا إلى شبكة الطرق الحضرية. أظهرت التجارب أن نموذج T-GCN الخاص بنا يمكنه الحصول على الارتباط المكاني-زماني من بيانات الحركة المرورية وأن التوقعات تتفوق على أفضل الأساليب السابقة في مجموعات البيانات المرورية الفعلية. يمكن الوصول إلى تنفيذنا لنموذج T-GCN باستخدام TensorFlow عبر الرابط: https://github.com/lehaifeng/T-GCN.