HAGCN：基于网络去中心化注意力、感知异质性的时空图卷积网络用于交通信号预测
机器学习
2022-09-07 v1
摘要
利用图卷积网络（GCNs）构建时空网络已成为预测交通信号最流行的方法之一。然而，在使用 GCN 进行车速预测时，常规方法通常将传感器间关系假设为同构图，并利用传感器积累的数据学习邻接矩阵。但传感器间的空间相关性并非单一指定，而是从多种视角有不同定义。为此，我们旨在研究交通信号数据固有的异质特性，以多种方式学习传感器间的隐藏关系。具体而言，我们将传感器间空间关系划分为静态与动态模块，为每个模块构建异构图。我们提出一种基于网络去中心化注意力、感知异质性的图卷积网络（HAGCN）方法，在异质图中通过考虑各通道重要性来聚合相邻节点的隐藏状态。在真实交通数据集上的实验结果验证了所提方法的有效性，较现有模型提升 6.35%，实现了最先进的预测性能。
引用
@article{arxiv.2209.01967,
title = {HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting},
author = {JunKyu Jang and Sung-Hyuk Park},
journal= {arXiv preprint arXiv:2209.01967},
year = {2022}
}