将可达性知识引入基于多空间图卷积的 Seq2Seq 模型用于交通预测
机器学习
2021-08-17 v2 人工智能
摘要
准确的交通状态预测是交通控制与诱导的基础。由于交通数据中复杂的时空依赖关系，该任务极具挑战性。现有工作在多步交通预测（涉及较长未来时段）上表现不佳。当输入步与预测步之间的时间间隙较大时，尤其在交通数据不足或含噪的情况下，时空信息稀释会变得严重。为解决此问题，我们提出了一种基于多空间图卷积的 Seq2Seq 模型。我们的主要创新有三个方面：（1）通过融合多视角特征（时间、位置和交通状态）丰富模型输入的时空信息；（2）基于先验知识和数据驱动知识构建多种空间相关性，以提升在数据不足或含噪情形下的模型性能；（3）新颖地设计了基于可达性知识的时空注意力机制，生成高层特征直接输入 Seq2Seq 的解码器以缓解信息稀释。我们的模型在两个真实世界交通数据集上进行了评估，取得了优于其他对比方法的性能。
引用
@article{arxiv.2107.01528,
title = {Incorporating Reachability Knowledge into a Multi-Spatial Graph Convolution Based Seq2Seq Model for Traffic Forecasting},
author = {Jiexia Ye and Furong Zheng and Juanjuan Zhao and Kejiang Ye and Chengzhong Xu},
journal= {arXiv preprint arXiv:2107.01528},
year = {2021}
}
备注
12 pages, 9 figures