AST-GCN：用于交通预测的属性增强时空图卷积网络
机器学习
2020-11-24 v1
摘要
交通预测是智能交通领域一项基础且具有挑战性的任务。准确的预测不仅依赖于历史交通流信息，还需考虑多种外部因素的影响，如天气条件和周边POI分布。近来，集成图卷积网络与循环神经网络的时空模型已成为交通预测研究热点并取得显著进展。然而，极少有工作整合外部因素。因此，基于引入外部因素可提升交通预测时空精度并改善可解释性的假设，我们提出一种属性增强时空图卷积网络（AST-GCN）。我们将外部因素建模为动态属性与静态属性，并设计属性增强单元将这些因素编码并整合进时空图卷积模型。在真实数据集上的实验表明，与传统交通预测方法相比，考虑外部信息对交通预测任务有效。此外，在不同属性增强方案与预测时长设置下，AST-GCN的预测精度均高于基线方法。
引用
@article{arxiv.2011.11004,
title = {AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting},
author = {Jiawei Zhu and Chao Tao and Hanhan Deng and Ling Zhao and Pu Wang and Tao Lin and Haifeng Li},
journal= {arXiv preprint arXiv:2011.11004},
year = {2020}
}
备注
11 pages, 17 figures, 3 tables