这篇文章的AI创新点、实验适合那些想发交通领域（交通流量预测、交通预测、智慧城市、自动驾驶、道路规划）EI源刊，EI会议，SCI 高区、毕业论文、毕业设计、毕业实验的同学。

相关领域本硕博同学都可以拿这个创新点来做毕业设计，毕业实验！并且作为就业强背书。

本文介绍了深度学习方法时空图卷积网络对比各种传统交通预测方法的优势。最新的深度学习框架—时空图卷积网络能够自动提取特征，实现预测，相对于传统的预测方法更为准确。并且，时空图卷积网络实现了更快的训练、更容易的转换和更少的参数，具有灵活性和可伸缩性，这些特点对于学术发展和大规模的行业部署是相当有前途和实用的。

所以对于创新性要求很高的EI源刊，高分SCI来说，这样的创新加上好的写作使我们的文章投出去后，容易录用。

下面，小牛会给大家从传统的交通预测方法切入，再比较一下时空图卷积网络方法的优势。

一.传统的交通流量预测方法

1.动态建模

动态建模使用数学工具(例如微分方程)和物理知识，通过计算模拟来制定交通问题[1]。为了达到稳态，仿真过程不仅需要复杂的系统编程，而且需要消耗大量的计算能力。模型中的实际假设和简化也降低了预测精度。

因此，随着交通数据收集和存储技术的迅速发展，一大批研究人员正在将注意力转移到数据驱动的方法上。

2.机器学习及统计学方法

经典的统计模型和机器学习模型是数据驱动方法的两个主要代表。

在时间序列分析中，自回归综合移动平均(ARIMA)及其变体是基于经典统计的最综合的方法之一[1, 2]。然而，这类模型受时间序列平稳假设的限制，未能考虑时空相关性。因此，这些方法限制了高度非线性交通流的可表示性。

最近，经典的统计模型受到机器学习方法对交通预测任务的强烈挑战。这些模型可以实现更高的预测精度和更复杂的数据建模，如k近邻算法(KNN)、支持向量机(SVM)和神经网络(NN)。

3.深度学习方法

深度学习方法在当今各种交通任务中得到了广泛而成功的应用。为了充分利用空间特征，一些研究人员使用卷积神经网络 (CNN)捕获交通网络之间的相邻关系，并在时间轴上使用递归神经网络(RNN) 。通过将长期短期记忆(LSTM)网络和1-DCNN结合起来，提出了一种用于短期交通预测的特征级融合体系结构CLTFP[4]。

然而，所应用的正常卷积操作将模型限制为只处理网格结构(例如图像，视频)，而不是一般领域。同时，序列学习的递归网络需要迭代训练，通过步骤引入误差积累。此外，基于RNN的网络(包括LSTM)被广泛认为是难以训练和计算繁重的。

二.我们方法（时空图卷积网络）的优势

首先，我们提出了一种时空图卷积网络，用于交通预测任务[5]。

时空图卷积网络实现了更快的训练、更容易的转换和更少的参数，具有灵活性和可伸缩性，这些特点对于学术发展和大规模的行业部署是相当有前途和实用的。

为了充分利用空间信息，我们用一个通用图来建模交通网络，而不是单独处理它(例如网格或段)。

为了解决递归网络的固有缺陷，我们在时间轴上采用了一个完全卷积的结构。

我们的文章首先在交通研究中应用纯卷积结构，时空图卷积网络方法经过了两个数据集的充分验证，在具有多个预设预测长度和网络尺度的预测任务中，我们的时空图卷积网络优于现有的传统方法和机器学习方法和其他深度学习方法。

[1] Eleni I Vlahogianni. Computational intelligence and optimization for transportation big data:

challenges and opportunities. In Engineering and Applied Sciences Optimization, pages 107–128. Springer, 2015.

[2] Ahmed and Cook, Mohammed S Ahmed and Allen R Cook. Analysis of freeway traffic time-series data by using Box-Jenkins techniques. 1979.

[3] Billy M Williams and Lester A Hoel. Modeling and forecasting vehicular traffic flow as a seasonal arima process: Theoretical basis and empirical results. Journal of transportation engineering, 129(6):664–672, 2003.

[4] Yuankai Wu and Huachun Tan. Short term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework. arXiv preprint arXiv:1612.01022, 2016.

[5] Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting[J]. arXiv preprint arXiv:1709.04875, 2017.

我们这里有全套源代码，需要科研实验创新点的，可以联系小牛。

以上。

企业邮箱：[email protected] ‖

如需交流、转载、供稿、合作请邮箱联系，并注明单位、职位及姓名。