ESGCN：用于交通流预测的边压缩注意力图卷积网络
机器学习
2023-07-13 v2 人工智能
摘要
由于交通流动态的时空依赖性，交通预测是一项极具挑战性的任务。为此，我们聚焦于建模时空动态，并提出一种称为边压缩图卷积网络（ESGCN）的网络来预测多个区域的交通流。ESGCN 由两个模块组成：W 模块和 ES 模块。W 模块是一个全节点卷积网络，它分别对每个交通区域的时间序列进行编码，并在不同尺度上分解时间序列以捕获细粒度和粗粒度特征。ES 模块使用图卷积网络（GCN）建模时空动态，并生成带有时间特征的自适应邻接矩阵（AAM）。为提高 AAM 的精度，我们引入三个关键概念：1）使用边特征直接捕获区域间的时空流表示；2）将边注意力机制应用于 GCN 以从边特征中提取 AAM，其中注意力机制可有效确定重要的时空邻接关系；3）提出一种新颖的节点对比损失以抑制受阻连接并强调相关连接。实验结果表明，ESGCN 在四个真实世界数据集（PEMS03、04、07 和 08）上以较低计算成本大幅取得最先进的性能。
引用
@article{arxiv.2307.01227,
title = {ESGCN: Edge Squeeze Attention Graph Convolutional Network for Traffic Flow Forecasting},
author = {Sangrok Lee and Ha Young Kim},
journal= {arXiv preprint arXiv:2307.01227},
year = {2023}
}
备注
7 Pages, 3 figures