T-GCN: Ein zeitliches Graphenkonvolutionales Netzwerk für Verkehrsprognose

Genaue und in Echtzeit erfolgende Verkehrsprognosen spielen eine wichtige Rolle im Intelligenzverkehrssystem und sind von großer Bedeutung für die städtische Verkehrsplanung, -management und -steuerung. Allerdings wird die Verkehrsprognose seit jeher als offenes wissenschaftliches Problem betrachtet, aufgrund der Beschränkungen durch die topologische Struktur des städtischen Straßennetzes und das Gesetz der dynamischen Änderungen über die Zeit, also der räumlichen Abhängigkeit und zeitlichen Abhängigkeit. Um sowohl die räumliche als auch die zeitliche Abhängigkeit gleichzeitig zu erfassen, schlagen wir eine neuartige neuronale Netzwerk-basierte Verkehrsprognosemethode vor: das temporale Graphenkonvolutionnetz (T-GCN)-Modell, das eine Kombination aus dem Graphenkonvolutionsnetz (GCN) und der gateten rekurrenten Einheit (GRU) darstellt. Insbesondere wird das GCN verwendet, um komplexe topologische Strukturen zu lernen und so die räumliche Abhängigkeit zu erfassen, während die gatete rekurrente Einheit zur Lernung der dynamischen Änderungen der Verkehrsdaten eingesetzt wird, um die zeitliche Abhängigkeit zu erfassen. Anschließend wird das T-GCN-Modell zur Verkehrsprognose basierend auf dem städtischen Straßennetz angewendet. Experimente zeigen, dass unser T-GCN-Modell die räumlich-zeitliche Korrelation aus den Verkehrsdaten gewinnen kann und dass die Vorhersagen den Stand der Technik übertreffen, wie dies anhand realer Verkehrsdatensätze demonstriert wird. Unsere Tensorflow-Implementierung des T-GCN ist unter https://github.com/lehaifeng/T-GCN verfügbar.