COOL：交通预测中时空图神经网络的联合视角
机器学习
2024-03-05 v1 人工智能
信息检索
社会与信息网络
摘要
本文研究了交通预测，即试图根据历史情况预测未来的交通状态。该问题在各种场景中受到越来越多的关注，并促进了城市规划和交通管理等众多下游应用的发展。然而，由于现有方法倾向于独立建模时间和空间关系，从而未能充分考虑到两者复杂的更高阶交互，其有效性仍非最优。此外，交通预测中过渡模式的多样性使得现有方法难以捕捉，值得对其多样性进行更深入的探索。为此，本文提出了联合时空图神经网络（简称 COOL），该网络对来自先验和后验信息的异构图进行建模，以联合捕捉高阶时空关系。一方面，构建连接序列观测的异构图，通过先验消息传递提取复合时空关系。另一方面，我们利用构建的亲和图和惩罚图对动态关系进行建模，引导后验消息传递将互补的语义信息纳入节点表示中。此外，为了捕捉多样的过渡特性以增强交通预测，我们提出了一种联合自注意力解码器，从多秩和多尺度视角建模多样的时间模式。在四个流行基准数据集上的实验结果表明，与具有竞争力的基线相比，我们提出的 COOL 提供了最先进的性能。
引用
@article{arxiv.2403.01091,
title = {COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for Traffic Forecasting},
author = {Wei Ju and Yusheng Zhao and Yifang Qin and Siyu Yi and Jingyang Yuan and Zhiping Xiao and Xiao Luo and Xiting Yan and Ming Zhang},
journal= {arXiv preprint arXiv:2403.01091},
year = {2024}
}
备注
Accepted by Information Fusion 2024