DSTCGCN：学习动态时空交叉依赖用于交通预测
机器学习
2023-07-04 v1 人工智能
摘要
交通预测对智能交通系统至关重要，但由于道路网络内复杂的空间与时间依赖关系，其极具挑战性。现有工作通常分别学习空间与时间依赖，忽略了跨空间与时间维度的依赖关系。本文中，我们提出 DSTCGCN，一种动态时空交叉图卷积网络，通过图联合学习动态空间与时间依赖以进行交通预测。具体而言，我们引入基于快速傅里叶变换（FFT）的注意力选择器，根据时变交通数据为每一时间步选取相关时间步。给定所选时间步，我们引入动态交叉图构建模块，由空间图构建、时间连接图构建与融合模块组成，以在无预定义先验下学习动态时空交叉依赖。在六个真实世界数据集上的大量实验表明，DSTCGCN 达到了最先进的（state-of-the-art）性能。
引用
@article{arxiv.2307.00518,
title = {DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting},
author = {Binqing Wu and Ling Chen},
journal= {arXiv preprint arXiv:2307.00518},
year = {2023}
}