Resumen

La previsión del tráfico es un requisito previo importante para la aplicación de sistemas de transporte inteligentes en las redes de tráfico urbano. Los trabajos existentes adoptan RNN y CNN/GCN, entre los que GCRN es el trabajo más avanzado, para caracterizar la correlación temporal y espacial de los flujos de tráfico. Sin embargo, es difícil aplicar GCRN a las redes de carreteras a gran escala debido a su alta complejidad computacional. Para resolver este problema, proponemos abstraer la red de carreteras en un grafo geométrico y construir una Red Neuronal Recurrente de Convolución Gráfica Rápida (FastGCRNN) para modelar las dependencias espacio-temporales del flujo de tráfico. Específicamente, utilizamos la unidad FastGCN para capturar eficientemente la relación topológica entre las carreteras y las carreteras circundantes en el grafo reduciendo la complejidad computacional a través del muestreo de importancia, combinamos la unidad GRU para capturar la dependencia temporal del flujo de tráfico e incrustamos las características espacio-temporales en Seq2Seq basándonos en el marco Encoder-Decoder. Los experimentos con conjuntos de datos de tráfico a gran escala demuestran que el método propuesto puede reducir en gran medida la complejidad computacional y el consumo de memoria, manteniendo al mismo tiempo una precisión relativamente alta.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:complejidad computacional, flujo de tráfico, red neuronal recurrente de convolución gráfica rápida, conjuntos de datos de tráfico a escala, alta complejidad computacional, sistemas de transporte inteligentes, redes de carreteras a escala, redes de tráfico urbano, gcrn, carreteras
• Keywords:computational complexity, traffic flow, fast graph convolution recurrent neural network, scale traffic data sets, high computational complexity, intelligent transportation systems, scale road networks, urban traffic networks, gcrn, roads