基于相关性信息的时空网络用于交通流预测
机器学习
2022-07-19 v2 人工智能
摘要
交通流预测技术在智能交通系统中发挥着重要作用。基于图神经网络与注意力机制，以往多数工作利用 transformer 架构来发掘时空依赖与动态关系。然而，它们未充分考虑时空序列间的相关性信息。本文基于最大信息系数，提出两种精细的时空表示：空间相关性信息（SCorr）与时间相关性信息（TCorr）。利用 SCorr，我们提出一种基于相关性信息的时空网络（CorrSTN），其包含动态图神经网络组件以将相关性信息有效整合进空间结构，以及多头注意力组件以精确建模动态时间依赖。利用 TCorr，我们探索不同周期数据间的相关性模式以识别最相关数据，进而设计高效的数据选择方案以进一步提升模型性能。在公路交通流（PEMS07 与 PEMS08）与地铁客流（HZME 流入与流出）数据集上的实验结果表明，CorrSTN 在预测性能上优于最先进方法。尤其在 HZME（流出）数据集上，相比 ASTGNN 模型，我们的模型在 MAE、RMSE 与 MAPE 指标上分别显著提升了 12.7%、14.4% 与 27.4%。
引用
@article{arxiv.2205.10365,
title = {A Correlation Information-based Spatiotemporal Network for Traffic Flow Forecasting},
author = {Weiguo Zhu and Yongqi Sun and Xintong Yi and Yan Wang},
journal= {arXiv preprint arXiv:2205.10365},
year = {2022}
}
备注
19 pages, 13 figures, 5 tables