用于处理缺失值的图卷积网络交通预测模型
机器学习
2022-12-14 v1 人工智能
摘要
交通预测近来引起了广泛关注。现实中，由于传感器或通信故障，交通数据通常含有缺失值。交通数据中的时空特征为处理此类缺失值带来更多挑战，经典技术（如数据插补）存在局限：1) 在时间轴上，数值可能随机或连续缺失；2) 在空间轴上，缺失值可能出现在单个传感器或多个传感器同时出现。近期基于图神经网络（Graph Neural Networks）的模型在交通预测任务上取得了令人满意的性能，但极少有模型适用于如此复杂的缺失值情境。为此，我们提出 GCN-M，一种具备处理时空情境中复杂缺失值的图卷积网络（Graph Convolutional Network）模型。特别地，我们联合建模缺失值处理与交通预测任务，在基于注意力的记忆网络中同时考虑局部时空特征与全局历史模式。我们还基于学到的局部-全局特征提出一个动态图学习模块。在真实数据集上的实验结果表明了所提方法的可靠性。
引用
@article{arxiv.2212.06419,
title = {Graph Convolutional Networks for Traffic Forecasting with Missing Values},
author = {Jingwei Zuo and Karine Zeitouni and Yehia Taher and Sandra Garcia-Rodriguez},
journal= {arXiv preprint arXiv:2212.06419},
year = {2022}
}
备注
To appear in Data Mining and Knowledge Discovery (DMKD), Springer