用于交通需求预测的层间耦合图卷积网络
机器学习
2020-12-16 v1
摘要
图卷积网络(GCN)因其在捕获站点级或区域交通需求间非欧几里得空间依赖方面的出色能力而被广泛应用于交通需求预测。然而,在多数现有研究中,图卷积是基于启发式生成的邻接矩阵实现的,既不能准确反映站点的真实空间关系,也无法自适应地捕获需求的多级空间依赖。为应对上述问题,本文提出了一种新颖的用于交通需求预测的图卷积网络。首先,提出了一种新颖的图卷积架构,其在不同层具有不同邻接矩阵且所有邻接矩阵均在训练过程中自学习。其次,给出了一种层间耦合机制,将上层邻接矩阵与下层邻接矩阵相关联,并减少了模型的参数规模。最后,通过门控循环单元将隐藏空间状态集成构建统一网络给出最终预测结果,可同时捕获多级空间依赖与时间动态性。在两个真实世界数据集NYC Citi Bike和NYC Taxi上进行了实验,结果证明了我们的模型相对于最先进模型的优越性。
引用
@article{arxiv.2012.08080,
title = {Coupled Layer-wise Graph Convolution for Transportation Demand Prediction},
author = {Junchen Ye and Leilei Sun and Bowen Du and Yanjie Fu and Hui Xiong},
journal= {arXiv preprint arXiv:2012.08080},
year = {2020}
}