Multi-Head-Spatiozeitliche Aufmerksamkeits-Graph-Convolutional-Network für die Verkehrsprognose

Intelligente Verkehrssysteme (Intelligent Transportation Systems, ITS) sind zu einer unverzichtbaren Komponente der modernen globalen technologischen Entwicklung geworden, da sie eine entscheidende Rolle bei der präzisen statistischen Schätzung von Fahrzeugen oder Personen spielen, die zu einem bestimmten Zeitpunkt zu einer bestimmten Verkehrsanlage unterwegs sind. Dies bietet die ideale Grundlage für die Planung und Ausgestaltung einer angemessenen infrastrukturellen Kapazität im Bereich der Verkehrsanalyse. Dennoch stellt die Verkehrsprognose aufgrund der nicht-euklidischen und komplexen Struktur von Straßennetzen sowie der topologischen Beschränkungen urbaner Verkehrsnetze weiterhin eine herausfordernde Aufgabe dar. Um diese Herausforderung zu meistern, präsentiert dieser Artikel ein Verkehrsprognosemodell, das eine Graph-Convolutional Network (GCN), eine Gated Recurrent Unit (GRU) und eine Multi-Head-Attention-Mechanismus kombiniert, um sowohl den räumlich-zeitlichen Zusammenhang als auch die dynamischen Veränderungen in der topologischen Sequenz von Verkehrsdaten effektiv zu erfassen und zu integrieren. Die vorgeschlagene Methode erreichte eine Genauigkeit von 91,8 % bei der Prognose von Verkehrsflüssen auf dem Los-Angeles-Highway-Datensatz (Los-loop) für 15-Minuten-Intervalle und ein R²-Score von 85 % auf dem Shenzhen-City-Datensatz (SZ-taxi) für 15- und 30-Minuten-Prognosen. Dies belegt, dass das Modell in der Lage ist, sowohl die globale räumliche Variation als auch die dynamischen zeitlichen Sequenzen von Verkehrsdaten über die Zeit hinweg zu lernen. Dadurch wurde eine state-of-the-art-Leistung in der Verkehrsprognose sowohl für den SZ-taxi- als auch für den Los-loop-Datensatz erzielt.