基于神经常微分存储网络的交通流量预测模型

打开文本图片集

摘 要：交通流量预测是多元时空预测中的典型任务，也是智能交通系统的重要组成部分。然而，现有模型很少关注交通路网中不同道路间的共有模式。主流模型大多基于图神经网络（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＧＮＮ）实现，而ＧＮＮ 随着层数的增加，会出现过度平滑现象，即邻接图中表征趋于相近。为解决上述问题，提出一个神经常微分存储网络（Ｎｅｕｒａｌ Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｍｅｍｏｒｙ Ｎｅｔｗｏｒｋ，ＮＯＤＥＭＮ），利用模式记忆单元保留时空数据中的显著特征，进行模式匹配，利用神经常微分方程改善了深度训练中出现的过度平滑问题。（剩余11521字）