通过对抗学习与联合时空嵌入增强交通预测鲁棒性
机器学习
2023-08-14 v2
摘要
交通预测是城市规划与计算中的基本问题。交通对象（如传感器与路段）之间复杂的动态时空依赖关系要求高度灵活的模型；遗憾的是，复杂模型可能鲁棒性较差，尤其在捕捉时间序列趋势（对时间的一阶导）时，导致不现实的预测。为应对平衡动态性与鲁棒性的挑战，我们提出 TrendGCN，一种新方案，它扩展了 GCN 的灵活性以及生成与对抗损失在处理具有内在统计相关性的序列数据时的分布保持能力。一方面，我们的模型同时引入空间（节点级）嵌入与时间（时间级）嵌入，以解释异构的时空卷积；另一方面，它使用 GAN 结构系统性地评估真实与预测时间序列在时序趋势及复杂时空依赖方面的统计一致性。相比独立处理逐步预测误差的传统方法，我们的方法能产出更真实且鲁棒的预测。在六个基准交通预测数据集上的实验与理论分析均证明了 TrendGCN 的优越性与最先进（SOTA）性能。源代码见 https://github.com/juyongjiang/TrendGCN。
引用
@article{arxiv.2208.03063,
title = {Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting},
author = {Juyong Jiang and Binqing Wu and Ling Chen and Kai Zhang and Sunghun Kim},
journal= {arXiv preprint arXiv:2208.03063},
year = {2023}
}
备注
Accepted by CIKM 2023