用于交通预测的图神经粗糙微分方程
机器学习
2023-06-07 v2 人工智能
摘要
交通预测是机器学习领域中最受欢迎的时空任务之一。该领域一种普遍的方法是结合图卷积网络与循环神经网络进行时空处理。学界竞争激烈，已提出许多新颖方法。本文提出时空图神经粗糙微分方程（STG-NRDE）方法。神经粗糙微分方程（NRDEs）是处理时间序列数据的突破性概念，其主要思想是利用对数签名变换将时间序列样本转换为相对较短的特征向量序列。我们扩展了该概念并设计了两个 NRDE：一个用于时间处理，另一个用于空间处理。随后我们将它们组合到单一框架中。我们使用 6 个基准数据集和 27 个基线进行实验。STG-NRDE 在所有情况下均表现出最佳精度，以显著优势超越全部 27 个基线。
引用
@article{arxiv.2303.10909,
title = {Graph Neural Rough Differential Equations for Traffic Forecasting},
author = {Jeongwhan Choi and Noseong Park},
journal= {arXiv preprint arXiv:2303.10909},
year = {2023}
}
备注
Accepted to ACM Transactions on Intelligent Systems and Technology (ACM TIST). arXiv admin note: substantial text overlap with arXiv:2112.03558