一种用于交通预测的图与注意力多路径卷积网络
机器学习
2022-05-31 v1
摘要
交通预测是一个重要但极具挑战性的问题，原因在于交通系统的复杂性和不断变化的性质。为应对这些挑战，我们提出一种图与注意力多路径卷积网络（GAMCN）模型，用于预测未来给定道路网络上的交通状况（如交通速度）。我们的模型关注影响交通状况的空间和时间因素。为建模空间因素，我们提出图卷积网络（GCN）的一个变体，称为LPGCN，将道路网络图顶点嵌入潜空间，使具有相关交通状况的顶点彼此接近。为建模时间因素，我们使用多路径卷积神经网络（CNN）来学习过去交通状况的不同组合对未来交通状况的联合影响。这种联合影响进一步由从预测时间嵌入生成的注意力调制，该嵌入编码了交通状况的周期性模式。我们在真实道路网络和交通数据上评估我们的模型。实验结果表明，我们的模型在预测误差方面比最先进的交通预测模型高出至多18.9%，在预测效率方面高出23.4%。
引用
@article{arxiv.2205.15218,
title = {A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction},
author = {Jianzhong Qi and Zhuowei Zhao and Egemen Tanin and Tingru Cui and Neema Nassir and Majid Sarvi},
journal= {arXiv preprint arXiv:2205.15218},
year = {2022}
}
备注
Accepted to appear in IEEE Transactions on Knowledge and Data Engineering