基于动态时空图卷积神经网络的交通预测
计算机视觉与模式识别
2020-03-06 v4
摘要
根据历史交通流预测未来交通流是一个具有挑战性的问题,因为其时空结构复杂且动态。大多数现有的基于图的 CNN 试图捕捉静态关系,而在很大程度上忽略了序列数据背后的动态特性。在本文中,我们提出动态时空图卷积神经网络(DST-GCNNs),通过学习具有表现力的特征来表示时空结构并从监控视频数据预测未来交通流。具体而言,DST-GCNN 是一个双流网络。在流预测流中,我们提出一种新颖的基于图的时空卷积层,从交通流的图表示中提取特征。然后将若干这样的层堆叠在一起以随时间预测未来流。同时,图中交通流之间的关系常随时间变化,因为交通状况随时间改变。为捕捉图动态,我们使用图预测流来预测动态图结构,并将预测的结构输入到流预测流中。在真实数据集上的实验表明,所提模型与其他最先进方法相比取得了有竞争力的性能。
引用
@article{arxiv.1812.02019,
title = {Dynamic Spatio-temporal Graph-based CNNs for Traffic Prediction},
author = {Ken Chen and Fei Chen and Baisheng Lai and Zhongming Jin and Yong Liu and Kai Li and Long Wei and Pengfei Wang and Yandong Tang and Jianqiang Huang and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:1812.02019},
year = {2020}
}