GraphSparseNet：大规模交通流预测的一种新方法
机器学习
2025-05-14 v2 人工智能
摘要
交通流预测是具有广泛应用于智能路线规划和动态交通管理的关键时空数据挖掘任务。近期在深度学习领域的进展，特别是通过图神经网络（GNN），显著提升了这些预测的准确性，通过捕捉复杂的时空动力学。然而，由于图中节点数目增加导致模型复杂度指数级增长，GNN的可扩展性仍然是一个挑战。现有方法包括稀疏化、分解和基于核的方法，要么未能完全解决复杂度问题，要么风险会损害预测准确性。本文引入GraphSparseNet（GSNet），一个旨在提高GNN基于交通 forecasting 模型的可扩展性和准确性的新型框架。GraphSparseNet由两个核心模块组成：特征提取器和关系压缩器。这些模块具有线性时间和空间复杂度，从而将模型的总体计算复杂度降低至线性规模。我们的广泛实验表明，GraphSparseNet不仅将训练时间缩短了3.51倍（相对于最先进的线性模型），还保持了高水平的预测性能。
引用
@article{arxiv.2502.19823,
title = {GraphSparseNet: a Novel Method for Large Scale Traffic Flow Prediction},
author = {Weiyang Kong and Kaiqi Wu and Sen Zhang and Yubao Liu},
journal= {arXiv preprint arXiv:2502.19823},
year = {2025}
}
备注
Accepted by VLDB 2025