结合时序图的 3D 图卷积网络：一种用于交通预测的无空间信息框架
机器学习
2019-03-05 v1 机器学习
摘要
时空预测在许多应用领域尤其是交通领域发挥着重要作用。然而，由于道路网络中复杂的时空依赖关系与高度非线性的动态特征，交通预测任务仍具挑战性。现有工作要么训练成本高昂，要么无法准确捕捉时空模式，同时也忽略了具有相似模式的远距离道路之间的相关性。在本文中，我们提出了一种新的深度学习框架以克服这些问题：3D 时序图卷积网络（3D-TGCN）。我们引入了该模型的两个新组件：(1) 我们不基于空间信息构建道路图，而是通过比较各道路时间序列之间的相似性来学习道路图，从而提供了一个无空间信息的框架。(2) 我们提出了一种新颖的 3D 图卷积模型，以更准确地建模时空数据。实验结果表明，3D-TGCN 优于 SOTA 基线方法。
引用
@article{arxiv.1903.00919,
title = {3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting},
author = {Bing Yu and Mengzhang Li and Jiyong Zhang and Zhanxing Zhu},
journal= {arXiv preprint arXiv:1903.00919},
year = {2019}
}