连续演化图神经控制微分方程用于交通预测
机器学习
2024-01-29 v1
摘要
作为智慧城市发展的关键技术，交通预测几十年来一直是学术界和工业界的热门研究焦点。由于交通网络中复杂且动态的时空依赖性，该任务极具挑战性。现有工作忽略了连续的时间依赖性和随时间演化的空间依赖性。在本文中，我们提出连续演化图神经控制微分方程(CEGNCDE)来同时捕获连续的时间依赖性和随时间演化的空间依赖性。具体来说，引入了一个基于NCDE的连续演化图生成器(CEGG)，从离散的历史观测中生成随时间连续演化的空间依赖图。然后，引入图神经控制微分方程(GNCDE)框架来同时捕获连续的时间依赖性和空间依赖性。大量实验表明，CEGNCDE在平均MAE降低2.34%、RMSE降低0.97%和MAPE降低3.17%方面优于SOTA方法。
引用
@article{arxiv.2401.14695,
title = {Continuously Evolving Graph Neural Controlled Differential Equations for Traffic Forecasting},
author = {Jiajia Wu and Ling Chen},
journal= {arXiv preprint arXiv:2401.14695},
year = {2024}
}
备注
9 pages, 4 figures