Redes de convolución gráfica dinámicas múltiples basadas en transformadores gráficos para la predicción del flujo de tráfico

Resumen La predicción del tráfico es una parte importante del sistema de transporte inteligente. Recientemente, se introdujo la red de convolución gráfica (GCN) para la predicción del flujo de tráfico y logra un buen rendimiento debido a su superioridad en representar la estructura de la red de carreteras de tráfico gráfico. Además, se propone la GCN dinámica para modelar la propiedad temporal del flujo de tráfico. Aunque se han realizado grandes avances, la mayoría de los métodos de predicción del flujo de tráfico basados en GCN utilizan un solo gráfico para la convolución, lo que se considera insuficiente para revelar la propiedad inherente del gráfico de tráfico, ya que está influenciado por muchos factores, por ejemplo, el clima, la temporada y los accidentes de tráfico, etc. En este documento, se concibe un nuevo modelo de redes de convolución gráfica dinámicas múltiples basadas en transformadores gráficos (GTDMGCN) para la predicción del flujo de tráfico. En lugar de un solo gráfico, se construyen múltiples gráficos para modular la compleja red de tráfico mediante la red de transformadores gráficos propuesta. Además, se propone una convolución de puerta temporal para obtener la propiedad temporal del flujo de tráfico. El modelo GTDMGCN propuesto se evalúa en cuatro conjuntos de datos de tráfico reales de PEMS03, PEMS04, PEMS07, PEMS08, y hay incrementos promedio de 9.78%, 7.80%, 5.96% en las métricas MAE, RMSE y MAPE en comparación con los resultados actuales.