地理信息对齐提升交通分析：转置跨注意机制
机器学习
2024-12-05 v1
摘要
交通事故预测对于提高道路安全性和缓解拥堵至关重要，近期图神经网络（GNN）在建模内在图结构交通数据方面显示出前景。然而，现有基于GNN的方法往往忽视或未明确利用地理位置信息，而地理位置往往在理解空间依赖性方面发挥关键作用。这也符合我们的观察：事故位置往往高度相关。为此，我们提出一种用于常规GNN框架的即插即用模块，称为地理信息对齐（Geographic Information Alignment, GIA）。该模块通过一种新颖的转置跨注意（Transpose Cross-attention）机制高效地融合节点特征与地理位置信息。由于交通数据节点数量庞大，传统的按节点对齐的跨注意机制在计算资源受限的情况下不可行。因此，我们对查询、键和值在跨注意机制中的转置进行操作，大幅降低计算成本，同时保持足够的信息。针对大规模城市级数据集上的交通事件预测和严重程度预测（基于记录的事故计数区间划分的严重程度层级）的实验结果表明，我们提出的方法有效。例如，我们的方法在F1分数上获得3.1%至10.9%的提升，在AUC上获得0.3%至4.8%的提升。
引用
@article{arxiv.2412.02839,
title = {Geographical Information Alignment Boosts Traffic Analysis via Transpose Cross-attention},
author = {Xiangyu Jiang and Xiwen Chen and Hao Wang and Abolfazl Razi},
journal= {arXiv preprint arXiv:2412.02839},
year = {2024}
}