交通预测是否真的需要图神经网络？
机器学习
2023-01-31 v1 社会与信息网络
摘要
时空图神经网络（STGNN）已成为交通预测中最流行的解决方案。尽管取得了成功，它们依赖GNN的消息传递机制来建立节点间的空间依赖关系，从而不可避免地继承了GNN notorious 的低效性。鉴于这些事实，在本文中我们提出了一种极其简单却异常有效的时空学习方法，称为SimST。具体而言，SimST通过两种分别建模局部和全局空间相关性的空间学习技术来近似GNN的功效。此外，SimST可与各种时序模型一同使用，并涉及定制的训练策略。我们在五个交通基准上进行了实验，以评估SimST在效率和有效性方面的能力。实证结果表明，与更复杂的STGNN相比，SimST将预测吞吐量提高了多达39倍，同时达到了可比的性能，这表明GNN并非交通预测中空间建模的唯一选择。
引用
@article{arxiv.2301.12603,
title = {Do We Really Need Graph Neural Networks for Traffic Forecasting?},
author = {Xu Liu and Yuxuan Liang and Chao Huang and Hengchang Hu and Yushi Cao and Bryan Hooi and Roger Zimmermann},
journal= {arXiv preprint arXiv:2301.12603},
year = {2023}
}