层次图池化是一种有效的城市级交通状况预测模型
机器学习
2022-09-09 v1 社会与信息网络
物理与社会
摘要
准确的交通状况预测为车-环境协同与交通控制任务提供坚实基础。由于道路网络数据在空间分布上的复杂性以及深度学习方法的多样性，有效定义交通数据并充分捕捉数据中复杂的空间非线性特征变得具有挑战性。本文将两种层次图池化方法应用于交通预测任务，以减少图信息冗余。首先，本文验证了层次图池化方法在交通预测任务中的有效性，并将层次图池化方法与其他基线在预测性能上进行了对比。其次，应用节点聚类池化与节点丢弃池化两种主流层次图池化方法，分析其在交通预测中的优势与不足。最后，针对上述图神经网络，本文比较了不同图网络输入对交通预测精度的影响。分析并总结了定义图网络的有效方式。
引用
@article{arxiv.2209.03629,
title = {Hierarchical Graph Pooling is an Effective Citywide Traffic Condition Prediction Model},
author = {Shilin Pu and Liang Chu and Zhuoran Hou and Jincheng Hu and Yanjun Huang and Yuanjian Zhang},
journal= {arXiv preprint arXiv:2209.03629},
year = {2022}
}
备注
16 pages, 15 figures