2021-01-17CGAN: Conditional Urban Traffic Estimation交通流量预测

创新点:

1.将条件交通估计问题建模为交通数据生成问题

2.用动态卷积层和自我关注机制捕获交通状态根据时间、出行需求和道路网络变化情况

获取一个地区所有交通工具的总出行需求是很难的,所以,我们使用出租车的需求来表示区域旅行需求,很多研究也表明,出租车需求很好地代表了总需求

问题描述:

给定一个网格每个时间的出行需求,用来区域估计旅行状况

表示一个区域的网格

1.网格时间内的旅行需求:,R是网格,t是时间

2.交通状况:

交通状态表示交通的质量,可以用交通速度、交通流入/流出量、交通量等来衡量,如果只有speed,则交通状态策略为1

3.区域R一天的的交通分布

矩阵的每个元素都是一个交通状态

4.一天内区域R的交通流量相关性矩阵

每个A都是非负和归一化

1.动态卷积层Dyconv

为了在捕获交通状态空间的自相关性,在生成器和鉴别器中都加入了动态卷积层

动态卷积层的输入:

1.Ns是每个区域包含的网格,status是交通状态考量的要素,要是只有speed,则status = 1

2.交通相关性矩阵

动态卷积层的输出:会使一个新的交通状态矩阵,i代表第i层

交通相关矩阵相当于一个滤波器,而DyConv中的filter是由A和交通状态矩阵H共同创建的,具有不规则的形状和大小

2.自注意力机制

多头注意力

3.CGAN机制

生成器G输入:

1.噪声张量:

2.条件张量:

的矩阵大小为Ns*4,区域R

重复Ns次

3.相关性矩阵:

猜你喜欢

转载自blog.csdn.net/weixin_41988545/article/details/112756076

相关文章