用于交通流预测的反事实图 Transformer
机器学习
2023-08-02 v1 人工智能
摘要
交通流预测（TFP）是智能交通系统（ITS）的基础问题，因其对交通流的潜在时空依赖关系进行建模以用于潜在拥堵预测。近期带有多种注意力机制的基于图的模型已取得良好性能。然而，现有交通流预测方法倾向于继承数据集中的偏差模式且缺乏可解释性。为此，我们提出一种反事实图 Transformer（CGT）模型，其带有专为 TFP 设计的实例级解释器（例如寻找重要子图）。我们在时间维度上的输入传感器特征以及图 Transformer 模块上的图结构设计了扰动掩码生成器，以获得空间与时间反事实解释。通过在输入数据特征与图结构上搜索最优扰动掩码，我们可获得用于后续 TFP 任务的简洁且主导的数据或图边链接。在反事实扰动后重新训练所用的图 Transformer 模型，我们可获得改进且可解释的交通流预测。在三个真实公开数据集上的大量结果表明，CGT 能产生可靠解释，并在交通流预测方面具有前景。
关键词
引用
@article{arxiv.2308.00391,
title = {Counterfactual Graph Transformer for Traffic Flow Prediction},
author = {Ying Yang and Kai Du and Xingyuan Dai and Jianwu Fang},
journal= {arXiv preprint arXiv:2308.00391},
year = {2023}
}
备注
accepted by ITSC 2023