面向交通预测的自动化膨胀时空同步图建模
机器学习
2022-07-25 v1
摘要
准确的交通预测是智能交通系统中一项具挑战性的任务，因为交通网络存在复杂的时空依赖。许多现有工作利用精细的时间建模方法结合图卷积网络（GCNs）来捕捉短期与长期时空依赖。然而，这些分离且设计复杂的模块可能限制时空表征学习的有效性与效率。此外，多数先前工作采用固定的图构建方法来刻画全局时空关系，这限制了模型针对不同时间段乃至不同数据场景的学习能力。为克服这些局限，我们提出一种自动化膨胀时空同步图网络，称为 Auto-DSTSGN，用于交通预测。具体而言，我们设计了一个自动化膨胀时空同步图（Auto-DSTSG）模块，通过以递增顺序堆叠具有膨胀因子的更深层级来捕捉短期与长期时空关联。进一步，我们提出一种图结构搜索方法，自动构建可适应不同数据场景的时空同步图。在四个真实数据集上的大量实验表明，我们的模型相较最先进（state-of-the-art）方法可取得约 10% 的提升。源代码见 https://github.com/jinguangyin/Auto-DSTSGN。
引用
@article{arxiv.2207.10830,
title = {Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction},
author = {Guangyin Jin and Fuxian Li and Jinlei Zhang and Mudan Wang and Jincai Huang},
journal= {arXiv preprint arXiv:2207.10830},
year = {2022}
}