时空交通预测深度学习模型基本元素的比较研究
机器学习
2022-03-23 v3 机器学习
摘要
交通预测在智能交通系统中起着关键作用。交通网络中的时空复杂性使该问题尤为具挑战性。近期提出的深度学习模型共享图卷积、图注意力、循环单元和/或注意力机制等基本元素。在本研究中，我们对利用不同基本元素的四种深度神经网络模型设计了深入比较研究。对于基础模型，从先前文献中选取了一个基于RNN的模型和一个基于注意力的模型。然后，将模型中的空间特征提取层替换为图卷积与图注意力。为分析各元素在不同环境中的性能，我们在四个真实世界数据集上进行了实验——高速公路速度、高速公路流量、来自同质道路链路网络的城市速度，以及来自异质道路链路网络的城市速度。结果表明，基于RNN的模型与基于注意力的模型在短期预测中表现相近水平，而基于注意力的模型在更长期预测中优于RNN。图卷积与图注意力的选择在基于RNN的模型中造成更大差异。此外，我们修改版的GMAN以更少内存消耗展现出与原始版本可比的性能。
引用
@article{arxiv.2111.07513,
title = {A Comparative Study on Basic Elements of Deep Learning Models for Spatial-Temporal Traffic Forecasting},
author = {Yuyol Shin and Yoonjin Yoon},
journal= {arXiv preprint arXiv:2111.07513},
year = {2022}
}
备注
14 pages, 4 figures, 3 Tables, This paper is accepted for AAAI-22 Workshop: AI for Transportation