摘要

准确且实时的交通预测在智能交通系统中发挥着重要作用，对于城市交通规划、管理和控制具有重要意义。然而，由于城市道路网络拓扑结构的限制以及随时间变化的动态规律，即空间依赖性和时间依赖性，交通预测一直被视为一个开放性的科学问题。为了同时捕捉空间和时间依赖性，我们提出了一种基于神经网络的新型交通预测方法——时序图卷积网络（T-GCN）模型，该模型结合了图卷积网络（GCN）和门控循环单元（GRU）。具体而言，GCN 用于学习复杂的拓扑结构以捕捉空间依赖性，而门控循环单元则用于学习交通数据的动态变化以捕捉时间依赖性。随后，T-GCN 模型被应用于基于城市道路网络的交通预测。实验结果表明，我们的 T-GCN 模型能够从交通数据中提取时空相关性，并在实际交通数据集上的预测性能优于现有的最先进基线模型。我们的 T-GCN 的 TensorFlow 实现代码已发布在 https://github.com/lehaifeng/T-GCN。