本发明提供一种基于强化时空图神经网络的交通预测方法,基于序列到序列模型的交通预测框架,对道路网络的时间相关性、空间相关性进行建模,根据道路网络上下游关系将整个路网构建成一个有向加权图,通过扩散图卷积网络来捕获路网的空间相关性,提取路网的空间相关性特征,将带有空间相关性特征的时间序列输入到递归神经网络中捕获路网的时间相关性,然后通过强化学习中的actor‑critic算法在解码的过程中对预测结果进行优化,将每个时间片捕获的路网关系拓扑图看作智能体中的actor,将递归神经网络看作actor选择下一个动作的随机策略,并用critic对它选择的动作进行评判,并反馈一个优势函数,actor根据反馈的优势函数来更新策略参数,相比传统方法大大提高了预测精度。
声明:
“基于强化时空图神经网络的交通预测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)