用于交通预测的自适应分层时空网络
机器学习
2023-06-19 v1 人工智能
摘要
准确的交通预测对智能交通系统至关重要，该系统被广泛用于解决城市交通问题。现有交通预测研究侧重于对交通数据中的时空动态进行建模，其中图卷积网络（GCN）因挖掘路网图中嵌入的空间依赖性而处于核心地位。然而，这些基于GCN的方法本质上仅在节点层面（如道路和交叉口）上运作，忽视了整个城市的空间层次结构。交叉口和路段等节点可形成簇（如区域），这些簇之间也可能相互作用并在更高层面上具有相似性。本工作中，我们提出一种自适应分层时空网络（AHSTN），通过利用空间层次结构并建模多尺度空间相关性来提升交通预测。除节点级时空块外，AHSTN引入自适应时空下采样模块以推断空间层次结构，从而在簇层面进行时空建模。随后，提出自适应时空上采样模块将簇级表示上采样至节点级，并获得多尺度表示以生成预测。在两个真实数据集上的实验表明，AHSTN相较若干强基线取得了更优性能。
引用
@article{arxiv.2306.09386,
title = {Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting},
author = {Yirong Chen and Ziyue Li and Wanli Ouyang and Michael Lepech},
journal= {arXiv preprint arXiv:2306.09386},
year = {2023}
}
备注
Accepted to IEEE CASE 2023