基于图网络并以局部邻域为关系归纳偏置的小样本交通预测
机器学习
2022-11-11 v2 应用统计
摘要
准确的短期交通预测在各种智慧出行运营与管理系统中起着关键作用。目前，大多数最先进的预测模型基于图神经网络（GNNs），所需训练样本量与交通网络规模成正比。在许多城市，由于数据采集成本高，可用交通数据量远低于最低要求。如何在大规模网络上以少量训练数据开发交通预测模型仍是一个开放问题。我们注意到，节点在近未来的交通状态仅取决于其局部邻域的交通状态，这可利用图关系归纳偏置来表示。鉴于此，本文提出一种基于图网络（GN）的深度学习模型 LocaleGN，利用局部数据聚合与更新函数以及节点级循环神经网络刻画交通动态。LocaleGN 是一个轻量级模型，专为少样本训练且不过拟合而设计，因此可解决小样本交通预测问题。所提模型在六个数据集上检验了交通速度与交通流的预测，实验结果表明 LocaleGN 优于现有最先进的基线模型。研究还表明，从 LocaleGN 学到的知识可跨城市迁移。该研究成果有助于开发轻量级交通预测系统，尤其适用于缺乏历史存档交通数据的城市。
引用
@article{arxiv.2203.03965,
title = {Few-Sample Traffic Prediction with Graph Networks using Locale as Relational Inductive Biases},
author = {Mingxi Li and Yihong Tang and Wei Ma},
journal= {arXiv preprint arXiv:2203.03965},
year = {2022}
}