基于稀疏交叉注意力的图卷积网络及其辅助信息感知用于交通流预测
人工智能
2023-12-15 v1
摘要
深度图卷积网络（GCNs）最近在交通预测任务中表现出优异的性能。然而，它们面临一些挑战。首先，现有模型很少考虑辅助信息（即天气和节假日）的影响，这可能导致对交通数据时空动态的把握不佳。其次，动态邻接矩阵的构建和常规图卷积运算都具有二次计算复杂度，这限制了基于GCN的模型的可扩展性。为了解决这些挑战，本文提出了一种名为AIMSAN的深度编码器-解码器模型。它包含一个辅助信息感知模块（AIM）和一个基于稀疏交叉注意力的图卷积网络（SAN）。前者学习多属性辅助信息，并获得其不同时间窗口大小的嵌入表示。后者使用交叉注意力机制，通过融合交通数据和嵌入的辅助数据来构建动态邻接矩阵。然后，SAN对交通数据应用扩散GCN以挖掘丰富的时空动态。此外，AIMSAN考虑并利用交通节点的空间稀疏性来降低二次计算复杂度。在三个公开交通数据集上的实验结果表明，所提出的方法在各种性能指标上优于其他对比方法。具体来说，所提出的方法与最先进算法相比具有竞争性能，但平均节省了35.74%的GPU内存使用、42.25%的训练时间和45.51%的验证时间。
引用
@article{arxiv.2312.09050,
title = {A Sparse Cross Attention-based Graph Convolution Network with Auxiliary Information Awareness for Traffic Flow Prediction},
author = {Lingqiang Chen and Qinglin Zhao and Guanghui Li and Mengchu Zhou and Chenglong Dai and Yiming Feng},
journal= {arXiv preprint arXiv:2312.09050},
year = {2023}
}