HintNet：面向异构时空数据交通事故预测的分层知识迁移网络
机器学习
2022-03-08 v1
摘要
交通事故预测是交通管理与公共安全中的重要问题。然而，由于环境的空间异质性与事故在时空上的稀疏性，该问题具有挑战性。交通事故的发生受时空特征间复杂依赖关系的影响。近期交通事故预测方法尝试使用深度学习模型提升精度。然而，此类方法多聚焦于人口稠密城市等小规模同质区域，或仅使用基于滑动窗口的集成方法，不足以处理大区域中的异质性。为应对这些局限，本文提出一种新颖的分层知识迁移网络（HintNet）模型，以更好地捕捉不规则异质模式。HintNet 执行多级空间划分以分离具有不同风险的子区域，并利用时空卷积与图卷积为每一级学习深度网络模型。通过跨级知识迁移，HintNet 同时实现了更高精度与更高训练效率。在来自爱荷华州的真实事故数据集上的大量实验表明，HintNet 在空间异质且大尺度区域上优于 SOTA 方法。
引用
@article{arxiv.2203.03100,
title = {HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data},
author = {Bang An and Amin Vahedian and Xun Zhou and W. Nick Street and Yanhua Li},
journal= {arXiv preprint arXiv:2203.03100},
year = {2022}
}
备注
9 pages, 2022 SIAM International Conference on Data Mining