凱里學(xué)院教授在國際TOP期刊《Engineering Applications of Artificial Intelligence》發(fā)表研究論文。

近日，凱里學(xué)院副校長夏大文教授以第一作者（凱里學(xué)院第一單位）在人工智能領(lǐng)域國際TOP期刊《Engineering Applications of Artificial Intelligence》（中科院1區(qū)，TOP期刊，IF = 8.0）發(fā)表研究論文。

該論文題目為“DRL-ED: A Deep Reinforcement Learning with Encoder–Decoder Method for Traffic Flow Prediction”，針對傳統(tǒng)交通流量預(yù)測方法難以同時(shí)建模動態(tài)拓?fù)浣Y(jié)構(gòu)和捕捉長距離時(shí)空依賴性等問題，提出一種基于深度強(qiáng)化學(xué)習(xí)面向編碼器-解碼器的交通流量預(yù)測方法（DRL-ED）。

具體的是，編碼器-解碼器架構(gòu)由注意力機(jī)制、GRU網(wǎng)絡(luò)和CorrGCN網(wǎng)絡(luò)組成。首先，注意力機(jī)制有助于GRU網(wǎng)絡(luò)和CorrGCN網(wǎng)絡(luò)高效捕捉時(shí)空關(guān)系，以提高交通流預(yù)測的魯棒性、準(zhǔn)確性和實(shí)時(shí)性。其次，GRU網(wǎng)絡(luò)（含有短期和長期記憶單元）有助于提取不同時(shí)間尺度上的時(shí)間相關(guān)性并同時(shí)考慮短期波動與長期趨勢，以有效預(yù)測交通流量變化。接著，CorrGCN網(wǎng)絡(luò)有助于挖掘本地和全局信息以獲取不同位置之間的交通流關(guān)系，并基于逐步傳播信息的多個(gè)圖卷積層聚合節(jié)點(diǎn)特征以提取空間相關(guān)性。最后，基于DDPG算法自動學(xué)習(xí)和更新動態(tài)鄰接矩陣，使得CorrGCN網(wǎng)絡(luò)能夠根據(jù)不同時(shí)期或場景下的流量數(shù)據(jù)自適應(yīng)調(diào)整鄰接矩陣，以捕獲圖數(shù)據(jù)的時(shí)空相關(guān)性。（圖/文 凱里學(xué)院）

分享讓更多人看到