DG-STMTL：一种用于多任务时空交通预测的新型图卷积网络
机器学习
2025-04-15 v2 人工智能
摘要
时空交通预测在智能交通系统中至关重要。准确预测的关键挑战在于如何建模复杂的时空依赖关系并适应数据中固有的动态特性。传统图卷积网络（GCN）常受困于引入领域偏差的静态邻接矩阵，或可能过拟合于特定模式的可学习矩阵。当考虑多任务学习（MTL）时，这一挑战变得更加复杂。虽然 MTL 有潜力通过任务协同提高预测准确性，但由于任务干扰，它也可能面临重大障碍。为了克服这些挑战，本研究引入了一种新型 MTL 框架，即动态分组时空多任务学习（DG-STMTL）。DG-STMTL 提出了一种混合邻接矩阵生成模块，通过特定任务门控机制将静态矩阵与动态矩阵相结合。我们还引入了分组 GCN 模块以增强时空依赖关系的建模能力。我们在两个真实世界数据集上进行了大量实验以评估我们的方法。结果表明，我们的方法优于其他 SOTA 方法，证明了其有效性和鲁棒性。
引用
@article{arxiv.2504.07822,
title = {DG-STMTL: A Novel Graph Convolutional Network for Multi-Task Spatio-Temporal Traffic Forecasting},
author = {Wanna Cui and Peizheng Wang and Faliang Yin},
journal= {arXiv preprint arXiv:2504.07822},
year = {2025}
}