网站 二次开发怎么做,浙江省建设安监站网站,网站上线之前做哪些工作,软件开发与设计摘要
为了同时捕捉时空相关性#xff0c;将图卷积网络(GCN)和门控递归单元(GRU)相结合#xff0c;提出了一种新的基于神经网络的流量预测方法–时态图卷积网络(T-GCN)模型。具体地#xff0c;GCN用于学习复杂的拓扑结构以捕获空间相关性#xff0c;而门控递归单元用于学习…摘要
为了同时捕捉时空相关性将图卷积网络(GCN)和门控递归单元(GRU)相结合提出了一种新的基于神经网络的流量预测方法–时态图卷积网络(T-GCN)模型。具体地GCN用于学习复杂的拓扑结构以捕获空间相关性而门控递归单元用于学习交通数据的动态变化以捕获时间相关性。
Ⅱ. 方法
A. 问题定义
定义一 G (V, E) 邻接矩阵A1表示两个路有连接反之没有把路当作结点N是结点的数量 定义二 X N × P X^{N×P} XN×P特征矩阵P是结点特征的数量也就是历史时间序列的长度 X t ∈ R N × i X_t∈R^{N×i} Xt∈RN×i 用来表示每条道路在时间 i 时的速度 结点属性可以是速度流量和密度 B. 回顾总结
我们首先使用历史n个时间序列数据作为输入并使用图形卷积网络来捕获城市道路网的拓扑结构从而获得空间特征。
其次将得到的具有空间特征的时间序列输入到门控递归单元模型中通过单元间的信息传输获得动态变化以获取时间特征。
最后我们通过完全连接层得到结果。
C. 方法
空间相关性
GCN 两层GCN 时间相关性
GRU: 时间图卷积网络 GC表示图卷积过程equation 3 损失函数 The second term Lreg is the L2 regularization term that helps to avoid an overfitting problem λ is a hyperparameter
