基于时空自注意力的可解释人群流量预测
机器学习
2020-02-25 v1 信息检索
图像与视频处理
摘要
人群流量预测作为城市管理系统的基础组件，在智能城市计算领域得到日益增多的研究。预测人群流量最具挑战性的部分在于度量复杂的时空依赖关系。当前方法普遍采用的解决方案是通过不同架构（如CNN/GCN、LSTM）分而治之地处理空间与时间信息。然而，该策略有两个缺点：（1）复杂的依赖关系也被分割从而部分孤立；（2）时空特征在经由不同架构传递时被转换为潜在表示，难以解释所预测的人群流量。为解决这些问题，我们提出一种时空自注意力网络（STSAN），其带有ST编码门，通过位置与时间编码计算整体时空表示，从而避免依赖关系被分割。此外，我们开发了多方面注意力机制，对时空信息施加缩放点积注意力，并度量显式指示依赖关系的注意力权重。在交通与移动数据上的实验结果表明，相较SOTA基线，所提方法在Taxi-NYC数据集上将流入与流出RMSE分别降低16%与8%。
引用
@article{arxiv.2002.09693,
title = {Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention},
author = {Haoxing Lin and Weijia Jia and Yongjian You and Yiping Sun},
journal= {arXiv preprint arXiv:2002.09693},
year = {2020}
}
备注
7pages