GCN_predict-Pytorch 交通流量预测。 用PyTorch实现图卷积网络（GCN，GAT，Chebnet） 要求： -火炬 -脾气暴躁 -熊猫 -Matplotlib 数据集示例： 数据集由Caltrans绩效评估系统（PEMS-04）收集 数量：307个探测器 日期：2018年1月至2月（2018.1.1——2018.2.28） 特色：流动，占据，速度。 探索数据分析： 1，具有流量，占用和速度三个特点，一是对数据分布进行可视化分析 2.运行代码：python data_view.py 3）每个节点（检测器）都有三个特征，但是两个特征的数据分布基本上是固定的，因此我们只采用一维特征。 读取数据集： 在traffic_dataset.py文件中，get_adjacent_matrix和get_flow_data函数用于读取相邻的矩阵和流数据。 模型训练： 在tra

本资源为深度学习交通流量预测的实战项目，其中包含了用LSTM，GRU以及CNN来进行流量预测的相关源码，整个项目的过程集数据预处理、模型训练与测评，性能展示于一体，代码结构良好，易于阅读，且在CSDN有本人相应的博客说明。

交通流量序列具有不平稳性、周期性、易受节假日等因素影响的特点，因此交通流量预测是一项困难的任务。针对交通流量序列的预测问题，设计了一种基于深度学习的交通流量预测模型。模型融合了卷积神经网络和长短时记忆神经网络两种网络结构，卷积神经网络用于提取特征分量，长短时记忆神经网络综合提取出来的特征分量做序列预测。通过在贵州省高速公路车流量数据集上的验证，模型比传统的预测方法具有更高的精确度和实时性，在不同数据集上的泛化性能良好。

针对交通流量预测中一个固定模型无法适应多种环境的问题，以及面向数据流的模 型更新问题，提出了一种基于变结构动态贝叶斯网络的交通流量预测方法。该方法以复杂事件处理和事件上 下文为基础，通过上下文聚类进行历史数据的划分，并通过事件流在线聚类支持聚簇的更新。面向不同聚簇 的数据，采取搜索-打分的方法学习对应的贝叶斯网络结构，基于高斯混合模型实现贝叶斯网络的近似推断。 在线预测时根据当前上下文选择合适的模型或模型组合进行预测。真实和仿真数据上的实验结果表明，该方 法能够获得比当前常用方法更好的预测效果。

小波神经网络的时间序列预测-短时交通流量预测(matlab实现)，包含源代码和测试数据

基于深度学习的交通流量预测研究.pdf

以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。 可以很明显看出三种模型在处理数据时的快慢和准确率。 三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。 时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。 该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。

Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method

这篇论文对于近些年的交通预测发展提供了一个全面的综述。具体来说，我们对目前的交通预测方法进行了总结，并且对它们进行了分类。然后，我们列举了应用交通预测的常见领域，以及这些应用任务的最新进展。

本代码主要利用MATLAB工具进行小波神经网络的时间序列预测的仿真，实现短时交通流量预测的模拟