С развитием информационных технологий анализ больших объемов данных о движении автомобилей стал важной темой в управлении городским трафиком. Точное прогнозирование траекторий автомобилей и потока движения может значительно улучшить планирование маршрутов и предупреждение о заторах. В отличие от традиционных методов, использующих GPS-данные, новое исследование предлагает комбинированный подход, который использует данные контрольных точек для более точного прогнозирования.
Предложенный метод сочетает графовые сверточные нейронные сети (GCN) и модели с управляемыми рекуррентными единицами (GRU) для извлечения пространственно-временных характеристик движения автомобилей. Это позволяет значительно повысить точность прогнозирования. Исследование проводилось на данных контрольных точек в районе Шинань города Циндао, где результаты показали, что модель GCN-GRU превосходит традиционные модели, такие как GCN и GRU, по всем ключевым метрикам.
Среди основных результатов: модель GCN-GRU продемонстрировала снижение средней абсолютной ошибки (MAE) и корня средней квадратной ошибки (RMSE) по сравнению с другими моделями, что подтверждает её высокую эффективность. Прогнозируемый поток движения на контрольных точках совпадает с реальными данными, что делает этот метод перспективным для применения в системах интеллектуального управления движением.