GACAN：基于多粒度时间序列的图注意力-卷积-注意力网络交通预测
机器学习
2021-10-28 v1 机器学习
摘要
交通预测是智能交通系统（ITS）的组成部分。由于道路网络的高度动态性与复杂时空依赖性，实现高预测精度是一项具有挑战性的任务。针对该任务，我们提出图注意力-卷积-注意力网络（GACAN）。该模型使用一种新颖的 Att-Conv-Att（ACA）块，其包含两层图注意力层与夹在中间的一层基于谱的 GCN 层。图注意力层用于捕获时间特征，而基于谱的 GCN 层用于捕获空间特征。该模型的主要新颖之处在于集成了四种不同时间粒度的时序：原始时间序列，以及小时、日与周时间序列。与以往通过分别处理每个时间序列来使用多粒度时间序列的工作不同，GACAN 在每层图注意力层之后合并处理所有时间序列的结果。因此，不同时间粒度的影响在模型中全程得以整合。我们在三个真实世界数据集上开展了一系列实验。实验结果验证了使用多粒度时间序列的优势，且所提出的 GACAN 模型优于最先进的基线方法。
引用
@article{arxiv.2110.14331,
title = {GACAN: Graph Attention-Convolution-Attention Networks for Traffic Forecasting Based on Multi-granularity Time Series},
author = {Sikai Zhang and Hong Zheng and Hongyi Su and Bo Yan and Jiamou Liu and Song Yang},
journal= {arXiv preprint arXiv:2110.14331},
year = {2021}
}
备注
This paper has been published in the IJCNN 2021 (https://ieeexplore.ieee.org/document/9534064/)