DetectorNet：基于 Transformer 增强的时空图神经网络交通预测模型
计算机视觉与模式识别
2021-11-02 v1 人工智能
机器学习
摘要
高覆盖率的检测器在路线规划与避免交通拥堵方面对道路使用者具有直接且深远的影响，但利用这些数据面临独特挑战，包括：动态时间相关性，以及由路况变化引起的动态空间相关性。尽管已有工作考虑了利用时空相关性建模的重要性，但其所学到的仍是静态道路网络结构，无法反映道路的动态变化，并最终丢失许多有价值的潜在信息。为应对这些挑战，我们提出由 Transformer 增强的 DetectorNet。与以往研究不同，我们的模型包含多视角时间注意力模块与动态注意力模块，分别通过动态更新所学知识来关注长距离与短距离时间相关性以及动态空间相关性，从而实现准确预测。此外，在两个公开数据集上的实验结果以及四项消融实验的对比结果证明，DetectorNet 的性能优于十一个先进基线。
引用
@article{arxiv.2111.00869,
title = {DetectorNet: Transformer-enhanced Spatial Temporal Graph Neural Network for Traffic Prediction},
author = {He Li and Shiyu Zhang and Xuejiao Li and Liangcai Su and Hongjie Huang and Duo Jin and Linghao Chen and Jianbing Huang and Jaesoo Yoo},
journal= {arXiv preprint arXiv:2111.00869},
year = {2021}
}
备注
The 29th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (ACM SIGSPATIAL 2021)