ICST-DNET：一种用于交通速度预测的可解释因果时空扩散网络
机器学习
2024-04-23 v1 网络与互联网体系结构
摘要
交通速度预测对于智能导航和缓解拥堵具有重要意义。然而，由于三个因素，准确预测具有挑战性：1) 交通扩散，即多个相邻道路的交通状况之间存在时空因果关系；2) 具有复杂时空相关性的交通数据可解释性差；3) 交通速度随时间波动的潜在模式，例如早晚高峰。综合考虑这些因素，本文提出了一种用于交通速度预测的新型架构，称为可解释因果时空扩散网络（ICST-DNET）。具体来说，ICST-DNET由三个部分组成，即时空因果学习（STCL）、因果图生成（CGG）和速度波动模式识别（SFPR）模块。首先，为了对道路网络内的交通扩散进行建模，提出了STCL模块来捕获每条道路上的时间因果关系和每条道路对中的空间因果关系。然后基于STCL开发了CGG模块，以从时间和空间角度增强交通扩散过程的可解释性。具体来说，生成时间因果矩阵来解释每条道路历史与未来交通状况之间的时间因果关系。对于空间因果关系，我们利用因果图来可视化道路对中的扩散过程。最后，为了适应不同场景下的交通速度波动，我们设计了一个个性化的SFPR模块，用于选择具有强影响的历史时间步来学习交通速度波动的模式。大量实验结果表明，ICST-DNET可以优于所有现有基线，体现在更高的预测精度、解释因果关系的能力以及适应不同场景的能力。
引用
@article{arxiv.2404.13853,
title = {ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction},
author = {Yi Rong and Yingchi Mao and Yinqiu Liu and Ling Chen and Xiaoming He and Dusit Niyato},
journal= {arXiv preprint arXiv:2404.13853},
year = {2024}
}