基于神經(jīng)常微分存儲網(wǎng)絡的交通流量預測模型

打開文本圖片集

摘 要：交通流量預測是多元時空預測中的典型任務，也是智能交通系統(tǒng)的重要組成部分。然而，現(xiàn)有模型很少關注交通路網(wǎng)中不同道路間的共有模式。主流模型大多基于圖神經(jīng)網(wǎng)絡（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）實現(xiàn)，而ＧＮＮ 隨著層數(shù)的增加，會出現(xiàn)過度平滑現(xiàn)象，即鄰接圖中表征趨于相近。為解決上述問題，提出一個神經(jīng)常微分存儲網(wǎng)絡（Ｎｅｕｒａｌ Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｍｅｍｏｒｙ Ｎｅｔｗｏｒｋ，ＮＯＤＥＭＮ），利用模式記憶單元保留時空數(shù)據(jù)中的顯著特征，進行模式匹配，利用神經(jīng)常微分方程改善了深度訓練中出現(xiàn)的過度平滑問題。（剩余11521字）