用于车辆状态预测的图层次卷积循环神经网络（GHCRNN）
计算机视觉与模式识别
2019-03-18 v1 物理与社会
摘要
城市车流与车速的预测可极大便利人们出行，也可为相关政府部门的决策提供合理建议。然而，由于车流具有空间、时间与层次性，且受天气等诸多因素影响，预测十分困难。现有研究方法多在路网上提取空间结构信息，并从历史数据中提取时间序列信息。但在提取空间特征时，这些方法具有较高时空复杂度，并引入大量噪声。其难以应用于大图，且仅考虑周围相连道路节点对中心节点的影响，忽略了极为重要的层次关系，即相似节点特征与路网结构的相似信息。针对这些问题，本文提出图层次卷积循环神经网络（Graph Hierarchical Convolutional Recurrent Neural Network，GHCRNN）模型。该模型使用 GCN（图卷积网络，Graph Convolutional Networks）提取空间特征，GRU（门控循环单元，Gated Recurrent Units）提取时间特征，并使用可学习池化（learnable Pooling）提取层次信息、消除冗余信息并降低复杂度。将该模型应用于深圳与洛杉矶的车流和车速数据得到了良好验证，并在相近精度下有效降低了时间与内存消耗。
引用
@article{arxiv.1903.06261,
title = {Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) for Vehicle Condition Prediction},
author = {Mingming Lu and Kunfang Zhang and Haiying Liu and Naixue Xiong},
journal= {arXiv preprint arXiv:1903.06261},
year = {2019}
}