浙江大学|一种新的用于网络范围交通流预测的带数据插补的增强动态图卷积网络模型

【标题】A novel reinforced dynamic graph convolutional network model with data imputation for network-wide traffic flow prediction

【作者团队】Yong Chen, Xiqun (Michael) Chen

【发表日期】2022.8.2

【论文链接】https://www.sciencedirect.com/science/article/pii/S0968090X22002431

【推荐理由】由于不可预测的设备故障、极端天气等原因导致的交通数据丢失问题给交通流量预测建模带来了巨大挑战。在本文中，提出了一种新的增强型动态图卷积网络模型，用于同时进行数据插补和全网交通流预测。首先，提出了一种多图卷积融合网络进行数据插补，利用图卷积网络在时间和空间维度上分析交通流检测站之间的交通状态传播规律。二是增强全网流量预测的鲁棒性，提出了一种基于深度强化学习的动态图学习方法，自适应地生成图邻接矩阵来表示站点之间的动态时空依赖关系。最后，在两个真实世界交通数据集上的实验结果表明，所提出的方法优于其他基线方法，并且可以有效地提取站点之间的数据缺失特征和时空依赖特征。图邻接矩阵的可视化结果表明，该方法能够有效识别交通流预测过程中影响较大的交通站点，提取的站点间依赖关系具有可解释性。