GMAN：一种用于交通预测的图多重注意力网络
信号处理
2019-11-27 v2 机器学习
摘要
长期交通预测因交通系统的复杂性及众多影响因素的持续变化而极具挑战。本文关注时空因素，提出一种图多重注意力网络（GMAN）以预测路网图上不同位置提前多个时间步的交通状况。GMAN 采用编码器-解码器架构，其中编码器与解码器均由多个时空注意力块组成，以建模时空因素对交通状况的影响。编码器编码输入交通特征，解码器预测输出序列。在编码器与解码器之间，应用变换注意力层将编码的交通特征转换以生成未来时间步的序列表示作为解码器输入。该变换注意力机制建模历史与未来时间步间的直接关系，有助于缓解预测时间步间的误差传播问题。在两个真实交通预测任务（即交通流量预测与交通速度预测）上的实验结果证明了 GMAN 的优越性。特别是在提前 1 小时预测中，GMAN 在 MAE 指标上以高达 4% 的提升优于最先进方法。源代码见 https://github.com/zhengchuanpan/GMAN。
引用
@article{arxiv.1911.08415,
title = {GMAN: A Graph Multi-Attention Network for Traffic Prediction},
author = {Chuanpan Zheng and Xiaoliang Fan and Cheng Wang and Jianzhong Qi},
journal= {arXiv preprint arXiv:1911.08415},
year = {2019}
}
备注
AAAI 2020 paper