DG-Trans：用于交通网络时空事件影响预测的双级图Transformer
机器学习
2023-03-23 v1 社会与信息网络
摘要
对交通事件影响的快速估计可指导通勤者出行规划，并提升交通机构决策韧性的韧性。然而，它比节点级与图级预测任务更具挑战性，因为其需要从动态图中提取异常子图或子时间序列。本文中，我们提出 DG-Trans，一种新颖的交通事件影响预测框架，通过动态图学习预见交通事件的影响。所提框架包含双级空间 Transformer 与基于重要性分数的时间 Transformer，该框架的性能由两种新构建的基准数据集佐证。双级空间 Transformer 移除节点间不必要边以将受影响子图与其他节点隔离。同时，基于重要性分数的时间 Transformer 识别节点特征中的异常变化，使预测更依赖于事件发生后测量值的变化。因此，DG-Trans 具备提取时空依赖并识别受事件影响的异常节点、同时去除良性节点引入噪声的双重能力。在真实世界数据集上的大量实验验证了 DG-Trans 优于现有最先进方法，尤其在提取时空依赖模式与预测交通事故影响方面。其为交通事件管理系统提供了可观潜力。
引用
@article{arxiv.2303.12238,
title = {DG-Trans: Dual-level Graph Transformer for Spatiotemporal Incident Impact Prediction on Traffic Networks},
author = {Yanshen Sun and Kaiqun Fu and Chang-Tien Lu},
journal= {arXiv preprint arXiv:2303.12238},
year = {2023}
}