排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
针对城市交通流数据修复问题,提出一种基于图卷积网络和多头自注意力机制的自注意
力图自编码器模型。该模型包括基于拓扑图结构和图信号捕获交通流时空关联性的 STGCN
(Spatial-temporal Graph Convolutional Networks)网络。在该网络中使用 LSTM(Long Short-Term
Memory)网络学习数据中时序规律,通过注意力网络计算道路自注意力及一阶临近道路注意力系
数,用图卷积网络对图信号重组,达到对缺失数据的精确修复。同时,采用多头自注意力网络计
算数据的注意力权值并对数据重组,捕获交通流数据中的二阶及高阶临近道路空间关联性,提取
已知数据与缺失数据的时间关系,以残差链的形式加入到模型中,作为对STGCN功能的补充。
基于真实数据的实验表明,在多种缺失模式和缺失率下,该模型能够学习路网拓扑关系,捕获数
据中的时间规律性和时空关联性,有效地修复缺失数据。 相似文献
1