FC-GAGA：用于时空交通预测的全连接门控图架构
机器学习
2020-12-16 v2 机器学习
摘要
多变量时间序列预测是一个重要问题，在交通管理、蜂窝网络配置和量化金融中有应用。当存在捕捉时间序列间关系的图时，该问题出现一种特殊情况。本文提出一种新颖的学习架构，在不要求图知识的情况下，达到与最佳现有算法相当或更好的性能。我们所提架构的关键要素是可学习的全连接硬图门控机制，其使得最先进且计算高效的完全连接时间序列预测架构能用于交通预测应用。两个公开交通网络数据集的实验结果说明了我们方法的价值，消融研究证实了架构中每个要素的重要性。代码见：https://github.com/boreshkinai/fc-gaga。
引用
@article{arxiv.2007.15531,
title = {FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting},
author = {Boris N. Oreshkin and Arezou Amini and Lucy Coyle and Mark J. Coates},
journal= {arXiv preprint arXiv:2007.15531},
year = {2020}
}