因每传感器皆独特，每对亦如此：交通预测中的动态性处理
机器学习
2023-03-01 v2 计算机视觉与模式识别
数据库
摘要
交通预测是从信息物理基础设施中提取价值的关键任务，也是智能交通的支柱。然而由于外部语境，每个传感器的动态都是独特的。例如，学校附近传感器午后高峰比居民区附近更可能更早出现。本文首先分析真实交通数据，表明每个传感器具有独特动态。进一步分析也显示每对传感器同样具有独特动态。接着，我们探究节点嵌入如何学习每个传感器位置的独特动态。然后，我们提出称为空间图Transformer（SGT）的新模块，利用节点嵌入驱动自注意力机制，确保两传感器间信息流自适应于每对传感器的独特动态。最后，我们提出图自注意力WaveNet（G-SWaN）以应对复杂非线性的时空交通动态。在四个真实开放数据集上的实证实验表明，所提方法在交通速度与流量预测上均取得优越性能。代码见：https://github.com/aprbw/G-SWaN
引用
@article{arxiv.2302.09956,
title = {Because Every Sensor Is Unique, so Is Every Pair: Handling Dynamicity in Traffic Forecasting},
author = {Arian Prabowo and Wei Shao and Hao Xue and Piotr Koniusz and Flora D. Salim},
journal= {arXiv preprint arXiv:2302.09956},
year = {2023}
}
备注
20 pages, IoTDI 2023; Correction on Fig. 4