基于相互学习的短时交通流预测研究.pdfVIP

计算机测量与控制.2024.32（4）设计与应用

·166·ComputerMeasurementControl

DOI:10.16526/ki.11-4762/tp.2024.04.024中图分类号：U495文献标识码：A

文章编号：1671-4598(2024)04-0166-08

基于相互学习的短时交通流预测研究

刘忠伟1，李萍²，周盛1，闫豆豆²，李颖²，安毅生²

（1.云基智慧工程有限公司，广东深圳518000；2.长安大学信息工程学院，西安710064）

摘要：交通流预测是智能交通系统（ITS）的核心，其中时空特性是最主要的特征；由于不同道路之间存在复杂的空间相关

性和时间依赖性，因此交通流预测成为一项具有挑战性的任务；目前，基于图卷积神经网络的预测方法在网络局部以及整体的特

征感知和提取方面，仍存在优化空间；为了解决以上问题，提出了一种基于图神经网络的优化模型（DMCRNN），该模型以

DCRNN为基准模型，利用相互学习策略对其进行优化；在训练过程中，两个DCRNN网络之间相互学习、相互指导，以此来增

强每个网络的特征学习能力；在METR-LA和PEMS-BAY两个真实数据集上验证优化策略的有效性；结果表明，经过优化后的

模型预测误差显著降低，在两个数据集上一小时的MAE与DCRNN相比分别降低了0.15和0.12，即相互学习优化策略具有较

好的性能。

关键词：交通流预测；时空特性；图神经网络；知识蒸馏；相互学习

ResearchonShort-termTrafficFlowPredictionBasedonMutualLearning

LIUZhongwei,LIPing,ZHOUSheng,YANDoudou’,LIYing’,ANYisheng”

(1.YunjiSmartEngineeringCo.,Ltd.,Shenzhen518000,China;

2.SchoolofInformationEngineering,ChanganUniversity,Xian710064,China)

Abstract:Trafficflowpredictionisthecoreofintelligenttransportationsystems(ITS),withspatiotemporalcharacteristicsbeing

themostimportantfeature.Duetothecomplexspatialcorrelationsandtimedependenciesbetweendifferentroads,thetrafficflow

predictionhasbecomeachallengingtask.Currently,predictionmethodsbasedongraphconvolutionalneuralnetworksarefurtherop-

timizedonthefeatureperceptionandextractionoflocalandglobalnetworks.Toaddressaboveissues,adiffusionmutualconvolution-

alrecurrentneuralnetwork(DMCRNN)optimizedmodelbasedongraphneuralnetworksisproposed.Themodelisbasedonthe

DCRNNasabenchmarkmodel,andthemutuallearningstrategyisutilizedtooptimizeit.Duringtrainin