基于图的多ODE神经网络用于时空交通预测
机器学习
2023-06-02 v2 人工智能
摘要
近年来，交通领域时空预测模型的开发呈现激增态势。然而，由于交通网络中观测到的错综广泛时空相关性，长距离交通预测仍是一项具有挑战性的任务。当前工作主要依赖具有图结构的道路网络并利用图神经网络（GNNs）学习表征，但该方法在深层架构中存在过平滑问题。为应对此问题，近期方法引入了GNNs与残差连接或神经常微分方程（ODE）的结合。然而，当前的图ODE模型在特征提取方面面临两个关键局限：（1）它们偏向全局时间模式，忽视了对突发事件重要的局部模式；（2）其架构设计中缺乏动态语义边。本文中，我们提出了一种称为基于图的多ODE神经网络（GRAM-ODE）的新架构，其设计有多个连接的ODE-GNN模块，通过捕捉复杂局部与全局动态时空依赖的不同视图来学习更好的表征。我们还在不同ODE-GNN模块的中间层加入了共享权重和散度约束等技术，以进一步改善它们面向预测任务的通信。我们在六个真实世界数据集上进行的广泛实验表明，GRAM-ODE相比state-of-the-art基线具有更优性能，且不同组件对整体性能有贡献。代码见 https://github.com/zbliu98/GRAM-ODE
引用
@article{arxiv.2305.18687,
title = {Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting},
author = {Zibo Liu and Parshin Shojaee and Chandan K Reddy},
journal= {arXiv preprint arXiv:2305.18687},
year = {2023}
}
备注
Published in Transactions on Machine Learning Research, 2023