变分模态分解与自适应图卷积门控循环网络的交通流量组合预测模型
A Combined Traffic Flow Prediction Model Based on Variational Mode Decomposition and Adaptive Graph Convolutional Gated Recurrent Network作者机构:东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室江西南昌330013 东华理工大学测绘与空间信息工程学院江西南昌330013 江西省地质调查勘查院基础地质调查所江西南昌330025 西南交通大学高速铁路安全运营空间信息技术国家地方联合工程实验室四川成都611756
出 版 物:《武汉大学学报(信息科学版)》 (Geomatics and Information Science of Wuhan University)
年 卷 期:2024年第49卷第12期
页 面:2329-2341页
核心收录:
学科分类:083002[工学-环境工程] 0830[工学-环境科学与工程(可授工学、理学、农学学位)] 081802[工学-地球探测与信息技术] 08[工学] 082303[工学-交通运输规划与管理] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程]
基 金:国家自然科学基金(42101457) 自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室开放基金(MEMI-2021-2022-14)
主 题:智能交通 交通流量预测 变分模态分解 自适应图卷积网络 门控循环单元
摘 要:准确的交通流量预测可以有效地提高交通效率和安全性,是智慧交通系统的一个研究热点话题。然而,传统的静态图结构在捕捉交通流量的全局时空信息存在局限性,交通流量短时间内的波动造成流量的非平稳性也会影响交通流量预测的准确性。为此,提出了一种结合变分模态分解(variational mode decomposition,VMD)和自适应图卷积门控循环网络的交通流量预测模型。首先,考虑到交通流量的非平稳性,利用VMD对时间序列进行分解,得到平稳的本征模态函数(intrinsic mode function,IMF)交通流量分量。然后,模型通过自适应邻接矩阵和图卷积门控单元动态地学习节点IMF分量间复杂的时空特性,从而更好地表征交通流量的变化趋势。最后,重构模型对IMF分量的预测值,得到实际的交通流量预测结果。在PeMS04数据集的实验结果表明,所提模型在平均绝对误差、均方根误差和平均绝对百分比误差等指标上均优于基线次优模型,提升幅度超过33%,与消融模型相比,性能提升也达到15%以上。因此,所提模型在交通流量预测任务中具有显著的优势和应用前景。