用于交通预测的联合动态虚拟时空图映射
机器学习
2022-10-04 v1 人工智能
摘要
城市建设规模的持续扩张近期导致对受管理交通路口动态性的需求增加，使得自适应建模成为热点话题。现有的深度学习方法能够很好地拟合复杂的异构图。然而，它们仍存在缺陷，大致可分为两类：1）时空异步建模方法分别考虑时间和空间依赖，导致聚合时泛化能力弱且不稳定；2）时空同步建模由于局部感受野难以捕捉长期时间依赖。为克服上述挑战，本文提出一种联合动态虚拟时空图映射（CDVGM）。贡献如下：1）设计了动态虚拟图拉普拉斯（DVGL），同时考虑空间信号传递与时间特征；2）长期时间增强模型（LT^2S）用于提升时间序列预测的稳定性；大量实验表明，CDVGM 具有收敛速度快、资源消耗低的优异性能，并在准确率和泛化性上达到当前 SOTA 效果。代码见 https://github.com/Dandelionym/CDVGM.
引用
@article{arxiv.2210.00704,
title = {Combined Dynamic Virtual Spatiotemporal Graph Mapping for Traffic Prediction},
author = {Yingming Pu},
journal= {arXiv preprint arXiv:2210.00704},
year = {2022}
}