结合交通网络动态性利用多权重交通图卷积网络进行交通预测
机器学习
2021-05-27 v3 机器学习
摘要
由于时空复杂性，交通预测问题在智能交通系统中仍是一项具有挑战性的任务。尽管时间依赖性已得到充分研究和讨论，但由于空间依赖性变化大，尤其是在城市环境中，其研究相对较少。本研究提出一种新颖的图卷积网络模型——多权重交通图卷积（MW-TGC）网络，并将其应用于两个具有对比性几何约束的城市网络。该模型在具有多权重邻接矩阵的速度数据上执行图卷积操作，以结合速度限制、距离和角度等特征。对组合特征进行空间隔离的降维操作，以学习特征间的依赖关系，并将输出规模降低到计算可行的水平。多权重图卷积的输出被应用于带有长短期记忆（Long Short-Term Memory, LSTM）单元的序列到序列模型，以学习时间依赖性。当应用于城市核心区和城市混合区两个城市站点时，MW-TGC网络不仅在两个站点均优于对比模型，还降低了异质城市混合网络中的方差。我们得出结论，MW-TGC网络能够在空间复杂性变化下提供稳健的交通预测性能，这在城市交通预测中是一个显著优势。
引用
@article{arxiv.1909.07105,
title = {Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting},
author = {Yuyol Shin and Yoonjin Yoon},
journal= {arXiv preprint arXiv:1909.07105},
year = {2021}
}
备注
11 pages, 7 figures, Accepted to IEEE Transactions on Intelligent Transportation Systems (2020)