PDG2Seq: Periodic Dynamic Graph to Sequence Model für die Verkehrsflussvorhersage

Die Vorhersage von Verkehrsflüssen bildet die Grundlage intelligenter Verkehrsmanagementsysteme. Aktuelle Methoden legen großen Wert auf die Entwicklung komplexer Modelle zur Erfassung von raumzeitlichen Korrelationen, vernachlässigen jedoch häufig die Ausnutzung latenter Merkmale im Verkehrsfluss. Erstens zeigt die Korrelation zwischen verschiedenen Straßenknoten dynamisches Verhalten und bleibt nicht statisch. Zweitens weist Verkehrsdaten eine deutliche Periodizität auf, während die derzeitige Forschung die Exploration und Nutzung dieser periodischen Merkmale vernachlässigt. Drittens basieren aktuelle Modelle typischerweise ausschließlich auf historischen Daten, wodurch die Genauigkeit bei der Erfassung zukünftiger Trendänderungen im Verkehrsfluss eingeschränkt ist. Um diese Herausforderungen zu adressieren, wird in diesem Artikel ein Periodisch-Dynamisches-Graph-zu-Sequenz-Modell (PDG2Seq) für die Vorhersage von Verkehrsflüssen vorgestellt. PDG2Seq besteht aus dem Modul zur Auswahl periodischer Merkmale (PFSM) und der periodisch-dynamischen Graph-Convolutional Gated Recurrent Unit (PDCGRU), um die raumzeitlichen Merkmale des dynamischen Echtzeit-Verkehrs weiter zu extrahieren. Das PFSM nutzt Zeitpunkte als Indizes, um gelernte periodische Merkmale zu extrahieren, während die PDCGRU die aus dem PFSM gewonnenen periodischen Merkmale sowie dynamische Merkmale aus dem Verkehrsfluss nutzt, um einen periodisch-dynamischen Graphen zu generieren, der zur Extraktion raumzeitlicher Merkmale dient. Im Dekodierungsphase nutzt PDG2Seq periodische Merkmale, die dem Vorhersageziel entsprechen, um zukünftige Trendänderungen präziser zu erfassen, was zu genaueren Vorhersagen führt. Umfassende Experimente an vier großen Datensätzen belegen die Überlegenheit von PDG2Seq gegenüber bestehenden state-of-the-art-Baselines. Der zugehörige Quellcode ist unter https://github.com/wengwenchao123/PDG2Seq verfügbar.