期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于GCN-Bi-GRU-Transformer的高速公路交通流多步预测与分析
1
作者 吴靓 《福建交通科技》 2024年第12期165-170,共6页
针对高速公路现有多步预测方法未充分考虑时空分布、且预测精度不佳的问题,提出一种基于“图卷积神经网络(Graph Convolution Network,GCN)”“双向门控循环单元(Bi-Gtaed Recurrent Unit,Bi-GRU)”和“Transformer”的高速公路交通流... 针对高速公路现有多步预测方法未充分考虑时空分布、且预测精度不佳的问题,提出一种基于“图卷积神经网络(Graph Convolution Network,GCN)”“双向门控循环单元(Bi-Gtaed Recurrent Unit,Bi-GRU)”和“Transformer”的高速公路交通流时空多步预测方法。以杭州湾环线高速余姚枢纽至柯桥枢纽为试验对象,以车辆最大限速确定影响节点的空间范围,输入需预测节点及影响该节点的上下游节点历史数据至GCN模型提取上下游空间特征,采用Bi-GRU模型提取时序周期特征,将时空融合数据传入Transformer模型编解码层进行特征深度提取,经预测层输出多步预测结果。结果表明:所构方法可充分提取交通流的时空特征,对比Bi-GRU-Transformer模型、Att-Seq2Seq模型、GCN-Att模型,该方法多步预测精度最高;与Att-Seq2Seq模型、GCN-Att模型相比,该方法训练时间分别降低48.99%、42.02%,表明该方法能以更短时间获取更高预测精度。 展开更多
关键词 智能交通 多步预测 高速公路 图卷积神经网络 双向门控循环单元法 Transformer模型
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部