构建用于交通预测的地理与长期时间图
机器学习
2020-04-24 v1 人工智能
信号处理
摘要
交通预测影响各种智能交通系统（ITS）服务，对用户体验以及城市交通控制具有重要意义。由于路网包含复杂且时变的时空依赖关系，这项任务具有挑战性。最近，基于深度学习的方法通过采用图卷积网络（GCN）提取空间相关性并利用循环神经网络（RNN）捕捉时间依赖性，取得了可喜的成果。然而，现有方法通常仅基于路网连通性构建图，这限制了道路之间的交互。在本工作中，我们提出了地理与长期时间图卷积循环神经网络（GLT-GCRNN），这是一种用于交通预测的新型框架，能够学习共享相似地理或长期时间模式的道路之间丰富的交互。在真实世界交通状态数据集上的大量实验验证了我们方法的有效性，表明 GLT-GCRNN 在不同指标上均优于最先进的方法。
引用
@article{arxiv.2004.10958,
title = {Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting},
author = {Yiwen Sun and Yulu Wang and Kun Fu and Zheng Wang and Changshui Zhang and Jieping Ye},
journal= {arXiv preprint arXiv:2004.10958},
year = {2020}
}
备注
7 pages, 5 figures