
在智能交通系统中,可靠的交通预测具有重要的意义,可以帮助决策者制定更好的管理策略,也可以帮助人们调整出行计划。但是,交通预测中存在一些挑战:
- 空间相关性:相邻区域的交通数据具有一定的相关性
- 时间相关性:相邻时间的交通数据具有一定的相关性
- 异质性:不同地区和时间相关性的贡献并不相同
本文提出了一种基于深度学习的时空交通预测网络,ST-3DNet,用来解决时空网格数据预测问题。ST-3DNet结合了3维卷积和残差单元,提出了一种再校准模块来描述空间维度上相关性的不同贡献,并结合局部和长期的时间模式来达到较好的效果。
近期评论