ترجمه فارسی مقاله پیش‌بینی جریان ترافیک بهبود یافته با شبکه‌های کانولوشن گراف تانسوری فیوژن چندبخشی

چکیده

Accurate traffic Flow Prediction can assist in traffic management, route planning, and congestion mitigation, which holds significant importance in enhancing the efficiency and reliability of intelligent transportation systems (ITS). However, existing traffic flow prediction models suffer from limitations in capturing the complex spatial-temporal dependencies within traffic networks. In order to address this issue, this study proposes a multi-segment fusion tensor graph convolutional network (MS-FTGCN) for traffic flow prediction with the following three-fold ideas: a) building a unified spatial-temporal graph convolutional framework based on Tensor M-product, which capture the spatial-temporal patterns simultaneously; b) incorporating hourly, daily, and weekly components to model multi temporal properties of traffic flows, respectively; c) fusing the outputs of the three components by attention mechanism to obtain the final traffic flow prediction results. The results of experiments conducted on two traffic flow datasets demonstrate that the proposed MS-FTGCN outperforms the state-of-the-art models.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق جریان ترافیک می تواند به مدیریت ترافیک ، برنامه ریزی مسیر و کاهش احتقان کمک کند ، که از اهمیت قابل توجهی در افزایش کارآیی و قابلیت اطمینان سیستم های حمل و نقل هوشمند (ITS) برخوردار است.با این حال ، مدل های پیش بینی جریان ترافیک موجود از محدودیت هایی در ضبط وابستگی های پیچیده مکانی-زمانی در شبکه های ترافیکی رنج می برند.به منظور رسیدگی به این موضوع ، این مطالعه یک شبکه همبستگی تانسور تانسور چند بخش (MS-FTGCN) را برای پیش بینی جریان ترافیک با ایده های سه برابر زیر پیشنهاد می کند: الف) ایجاد یک چارچوب حلقوی یکپارچه و مکانی یکپارچه بر اساس تانسورمحصول M ، که الگوهای مکانی-زمانی را به طور همزمان ضبط می کند.ب) ترکیب اجزای ساعتی ، روزانه و هفتگی برای مدل سازی خصوصیات چند زمانی از جریان ترافیک.ج) فیوز خروجی های سه مؤلفه توسط مکانیسم توجه برای به دست آوردن نتایج نهایی پیش بینی جریان ترافیک.نتایج آزمایشات انجام شده در دو مجموعه داده جریان ترافیک نشان می دهد که MS-FTGCN پیشنهادی از مدل های پیشرفته بهتر است.