通过增量改进提升Graph WaveNet在交通预测上的性能
信号处理
2019-12-17 v1 机器学习
摘要
我们提出了一系列改进，超越了Graph WaveNet此前在METR-LA交通预测任务上的state-of-the-art性能。该任务的 goal 是利用过去一小时的传感器读数预测网络中每个传感器未来的交通速度。Graph WaveNet（GWN）是一种时空图神经网络，它交错使用图卷积从邻近传感器聚合信息，以及膨胀卷积从过去聚合信息。我们通过以下方式改进GWN：（1）使用更好的超参数，（2）添加允许更大梯度流回早期卷积层的连接，（3）在更简单的短期交通预测任务上进行预训练。这些修改在METR-LA任务上将平均绝对误差降低了0.06，几乎等同于GWN相对于其前身的改进。这些改进推广到PEMS-BAY数据集，具有相似的相对幅度。我们还表明，集成用于短期和长期预测的单独模型进一步提高了性能。代码可在 https://github.com/sshleifer/Graph-WaveNet 获取。
引用
@article{arxiv.1912.07390,
title = {Incrementally Improving Graph WaveNet Performance on Traffic Prediction},
author = {Sam Shleifer and Clara McCreery and Vamsi Chitters},
journal= {arXiv preprint arXiv:1912.07390},
year = {2019}
}