Reliable traffic flow prediction is crucial for mitigating urban congestion.This paper proposes Attentionbased spatiotemporal Interactive Dynamic Graph Convolutional Network(AIDGCN),a novel architecture integrating In...Reliable traffic flow prediction is crucial for mitigating urban congestion.This paper proposes Attentionbased spatiotemporal Interactive Dynamic Graph Convolutional Network(AIDGCN),a novel architecture integrating Interactive Dynamic Graph Convolution Network(IDGCN)with Temporal Multi-Head Trend-Aware Attention.Its core innovation lies in IDGCN,which uniquely splits sequences into symmetric intervals for interactive feature sharing via dynamic graphs,and a novel attention mechanism incorporating convolutional operations to capture essential local traffic trends—addressing a critical gap in standard attention for continuous data.For 15-and 60-min forecasting on METR-LA,AIDGCN achieves MAEs of 0.75%and 0.39%,and RMSEs of 1.32%and 0.14%,respectively.In the 60-min long-term forecasting of the PEMS-BAY dataset,the AIDGCN out-performs the MRA-BGCN method by 6.28%,4.93%,and 7.17%in terms of MAE,RMSE,and MAPE,respectively.Experimental results demonstrate the superiority of our pro-posed model over state-of-the-art methods.展开更多
【目的】随着网联自动驾驶技术的不断发展,未来较长一段时间内将呈现网联自动驾驶汽车(connected and autonomous vehicle, CAV)与人工驾驶汽车(human driven vehicle, HDV)混行的交通环境。由于CAV与HDV的驾驶特性及路径选择行为存在...【目的】随着网联自动驾驶技术的不断发展,未来较长一段时间内将呈现网联自动驾驶汽车(connected and autonomous vehicle, CAV)与人工驾驶汽车(human driven vehicle, HDV)混行的交通环境。由于CAV与HDV的驾驶特性及路径选择行为存在较大差异,加之实际交通需求是随机变化的,为准确预测网络均衡流模式,本文开展人机混驾环境下考虑随机需求的混合交通分配研究。【方法】首先,假定交通需求服从对数正态分布,分析了CAV和HDV两类用户的路径流量与路段流量分布特征,并基于BPR(Bureau of Public Roads)型路段阻抗函数推导了对数正态需求下的路径出行时间预算。然后,假定CAV和HDV分别基于实际出行时间预算和感知出行时间预算选择路径,针对人机混驾环境,构建了考虑全局需求弹性的基于可靠性的用户均衡与随机用户均衡(reliability-based user equilibrium and reliability-based stochastic user equilibrium, RUE-RSUE)混合交通分配变分不等式模型,并设计了双层循环算法对模型进行求解。最后,采用Nguyen-Dupuis网络对本文构建的模型与算法进行验证,并分析了CAV市场渗透率、出行时间可靠度需求及交通需求变异系数对网络均衡流模式的影响。【结果】本文设计的双层循环算法能有效求解考虑全局需求弹性的RUE-RSUE混合交通分配模型;出行时间预算随CAV市场渗透率的增加而减少,随交通需求变异系数和出行时间可靠度需求的增加而增加,但受CAV市场渗透率和交通需求波动的影响较显著;交通需求随出行时间可靠度需求的提高而降低,提高CAV市场渗透率会增加相同敏感度下的交通需求,但出行时间可靠性敏感度对交通需求的影响更为显著。【结论】本研究提出的RUE-RSUE混合交通分配模型能够刻画需求随机性对CAV和HDV两类用户路径选择的影响,可为智能网联交通系统的规划与管理提供决策依据。展开更多
文摘Reliable traffic flow prediction is crucial for mitigating urban congestion.This paper proposes Attentionbased spatiotemporal Interactive Dynamic Graph Convolutional Network(AIDGCN),a novel architecture integrating Interactive Dynamic Graph Convolution Network(IDGCN)with Temporal Multi-Head Trend-Aware Attention.Its core innovation lies in IDGCN,which uniquely splits sequences into symmetric intervals for interactive feature sharing via dynamic graphs,and a novel attention mechanism incorporating convolutional operations to capture essential local traffic trends—addressing a critical gap in standard attention for continuous data.For 15-and 60-min forecasting on METR-LA,AIDGCN achieves MAEs of 0.75%and 0.39%,and RMSEs of 1.32%and 0.14%,respectively.In the 60-min long-term forecasting of the PEMS-BAY dataset,the AIDGCN out-performs the MRA-BGCN method by 6.28%,4.93%,and 7.17%in terms of MAE,RMSE,and MAPE,respectively.Experimental results demonstrate the superiority of our pro-posed model over state-of-the-art methods.
文摘【目的】随着网联自动驾驶技术的不断发展,未来较长一段时间内将呈现网联自动驾驶汽车(connected and autonomous vehicle, CAV)与人工驾驶汽车(human driven vehicle, HDV)混行的交通环境。由于CAV与HDV的驾驶特性及路径选择行为存在较大差异,加之实际交通需求是随机变化的,为准确预测网络均衡流模式,本文开展人机混驾环境下考虑随机需求的混合交通分配研究。【方法】首先,假定交通需求服从对数正态分布,分析了CAV和HDV两类用户的路径流量与路段流量分布特征,并基于BPR(Bureau of Public Roads)型路段阻抗函数推导了对数正态需求下的路径出行时间预算。然后,假定CAV和HDV分别基于实际出行时间预算和感知出行时间预算选择路径,针对人机混驾环境,构建了考虑全局需求弹性的基于可靠性的用户均衡与随机用户均衡(reliability-based user equilibrium and reliability-based stochastic user equilibrium, RUE-RSUE)混合交通分配变分不等式模型,并设计了双层循环算法对模型进行求解。最后,采用Nguyen-Dupuis网络对本文构建的模型与算法进行验证,并分析了CAV市场渗透率、出行时间可靠度需求及交通需求变异系数对网络均衡流模式的影响。【结果】本文设计的双层循环算法能有效求解考虑全局需求弹性的RUE-RSUE混合交通分配模型;出行时间预算随CAV市场渗透率的增加而减少,随交通需求变异系数和出行时间可靠度需求的增加而增加,但受CAV市场渗透率和交通需求波动的影响较显著;交通需求随出行时间可靠度需求的提高而降低,提高CAV市场渗透率会增加相同敏感度下的交通需求,但出行时间可靠性敏感度对交通需求的影响更为显著。【结论】本研究提出的RUE-RSUE混合交通分配模型能够刻画需求随机性对CAV和HDV两类用户路径选择的影响,可为智能网联交通系统的规划与管理提供决策依据。
