一种用于交通预测的动态时序自注意力图卷积网络
机器学习
2023-02-22 v1
摘要
实时准确的交通预测在智能交通系统(ITS)和出行导航引导中起着重要作用。已有许多考虑交通信息时空依赖关系的短期交通状态预测尝试,如时序图卷积网络(T-GCN)模型和卷积长短期记忆(Conv-LSTM)模型。然而,大多数现有方法使用由0和1组成的简单邻接矩阵来捕捉空间依赖,无法精细描述城市道路网络的拓扑结构及其随时间动态变化的规律。为解决该问题,本文提出一种动态时序自注意力图卷积网络(DT-SGN)模型,该模型将邻接矩阵视为可训练的注意力分数矩阵,并使网络参数适应不同的输入。具体而言,采用自注意力图卷积网络(SGN)捕捉空间依赖,采用动态门控循环单元(Dynamic-GRU)捕捉时间依赖并学习输入数据的动态变化。实验表明,在真实交通数据集上,我们的方法优于最先进的模型驱动模型和数据驱动模型。
引用
@article{arxiv.2302.10428,
title = {A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction},
author = {Ruiyuan Jiang and Shangbo Wang and Yuli Zhang},
journal= {arXiv preprint arXiv:2302.10428},
year = {2023}
}
备注
10 pages, 9 figures, 3 tables