FeSTGCN

FeSTGCN：一种用于自适应信号配时下交通流预测的频率增强时空图卷积网络

文章和代码地址在文末

摘要：

交通流预测是智能城市交通系统的基础。然而，现有的研究主要集中在探索空间和时间域内的时空依赖性，往往忽略了交通数据中存在的频率信息。本研究旨在通过同时对交通流的时间、空间和频域依赖性进行建模来解决这一限制，从而提出一种称为频率增强时空图卷积网络（FeSTGCN）的新模型，以提高交通流预测的准确性和可解释性。具体而言，本研究设计了一种方法，利用时频变换方法从交通流中提取频域信息。时空域的依赖性被捕获使用基于注意力的扩散图和时间卷积。在真实的道路网络上进行了大量的实验，使用自适应信号配时。结果表明，FeSTGCN与最先进的模型相比具有很强的竞争力。此外，FeSTGCN表现出良好的可解释性，频率信息提供了新的见解的组成和内在的模式的交通流。

代码地址：https://github.com/RaganrokV/FeSTGCN
文章地址：https://doi.org/10.1007/s10489