扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

浙江工业大学孔祥杰,迎来2023年第9篇SCI!

论论资讯 | 2023-03-01 1热度

Electronics (Switzerland)

Explore content

About the journal

Publish with us

HIT-GCN: Spatial-Temporal Graph Convolutional Network Embedded with Heterogeneous Information of Road Network for Traffic Forecasting

Xiong H.; Shen G.; Lan X.; Yuan H.; Kong X.

Published:2023-03-01
DOI:10.3390/electronics12061306

研究背景

交通拥堵一直是城市发展过程中的一个难题。如何准确预测交通状况,提高交通效率,是当前研究领域存在的问题。同时,在道路网络中,道路段节点所携带的属性信息,如天气和兴趣点等,具有强烈的异质性,并且通常涉及一对多或多对一的关系。然而,对于这种异质性在交通预测中的研究还相对较少。

研究内容

该论文提出了一种新的交通预测方法,称为“HIT-GCN”。该方法利用知识嵌入技术,在节点级别上生成知识向量,量化节点的属性信息异质性。在道路网络级别上,计算出一个同质性邻接矩阵,捕捉道路网络的拓扑结构和节点异质性的相似性。这个邻接矩阵根据同质性为邻居分配不同的权重,指导图卷积网络(GCN)的传播。最后,将传播表示分为自我表示和邻居表示,提取多属性信息,包括自我、同质性和异质性。实验结果表明,与之前研究的同质性和单维度信息相比,我们的同质性邻接矩阵的引入显著提高了短期和长期预测的准确性。此外,我们的方法在不同的嵌入维度和参数设置下仍保持着性能优势。

研究意义

该方法的创新点在于将异质性信息融入到交通预测中,提高了预测的准确性。同时,该方法还在GCN中引入了同质性邻接矩阵,使传播更加准确。这种方法为城市交通管理提供了新思路和新方法,有望在未来的城市交通规划和管理中得到应用。

微信扫码即可查看