Verkehrsprognose auf Regionenebene basierend auf einem zeitlichen Multi-Raum-Abhängigkeit Graph Convolutional Network aus GPS-Daten

Verkehrsinformationen auf Regionenebene können dynamische Änderungen des städtischen Verkehrs auf makroökonomischer Ebene charakterisieren. Echtzeit-Verkehrsprognosen auf Regionenebene helfen den Verkehrsmanagern der Städte bei der Analyse der Verkehrsnachfrage, der Kontrolle von Verkehrsstaus und anderen Aktivitäten und sind zu einem Forschungsschwerpunkt geworden. Da immer mehr Fahrzeuge mit GPS-Geräten ausgestattet sind, können Fernerkundungsdaten gesammelt und verwendet werden, um datengestützte Verkehrsprognosen auf Regionenebene durchzuführen. Aufgrund der Dynamik und Zufälligkeit des städtischen Verkehrs sowie der Komplexität der städtischen Straßennetze stehen solche Studien jedoch vor vielen Herausforderungen. In diesem Papier wird ein neues Deep-Learning-Modell namens TmS-GCN vorgeschlagen, um Verkehrsinfo auf Regionenebene vorherzusagen. Dieses Modell besteht aus einem Graph Convolutional Network (GCN) und einer Gated Recurrent Unit (GRU). Der GCN-Teil erfasst die räumliche Abhängigkeit zwischen Regionen, während der GRU-Teil die dynamische Veränderung des Verkehrs innerhalb der Region erfasst. Die Modellüberprüfung und der Vergleich werden mit realen Taxi-GPS-Daten aus Shenzhen durchgeführt. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell sowohl das klassische Zeitreihenprognosemodell als auch das Deep-Learning-Modell auf verschiedenen Skalen übertrifft.