用于长期交通预测的可解释图金字塔自注意力网络
机器学习
2022-09-28 v1
摘要
准确的交通预测对智能交通系统至关重要。尽管许多深度学习模型在长达1小时的短期交通预测中取得了最先进的性能，但跨越数小时的长期交通预测仍是一项重大挑战。此外，现有大多数深度学习交通预测模型都是黑箱，带来了可解释性与可说明性方面的额外挑战。我们提出了图金字塔自注意力网络（X-GPA），一种基于注意力的可解释时空图神经网络，采用新颖的金字塔自相关注意力机制。它能够在图结构上从长时序序列中学习，并提升长期交通预测精度。我们的模型长期交通预测精度比若干最先进方法高出至多35%。X-GPA模型的基于注意力分数提供了基于交通动力学的空间与时间解释，这些解释在正常与高峰时段交通、工作日与周末交通下会发生变化。
引用
@article{arxiv.2209.13123,
title = {Explainable Graph Pyramid Autoformer for Long-Term Traffic Forecasting},
author = {Weiheng Zhong and Tanwi Mallick and Hadi Meidani and Jane Macfarlane and Prasanna Balaprakash},
journal= {arXiv preprint arXiv:2209.13123},
year = {2022}
}