ISTD-GCN：用于交通速度预测的迭代时空扩散图卷积网络
社会与信息网络
2020-08-11 v1
摘要
现有大多数交通速度预测算法将空间特征和时间特征拆分为独立模块，再关联两个维度的信息。然而，来自空间和时间维度的特征相互影响，分离式的提取孤立了此类依赖关系，并可能导致不准确的结果。在本文中，我们引入信息扩散的视角来同步建模空间特征和时间特征。直观上，顶点不仅向邻域扩散信息，还沿时间维度向后续状态扩散信息。因此，我们可以将这种异质时空结构建模为同质的扩散过程。在此基础上，我们提出一种迭代时空扩散图卷积网络(ISTD-GCN)来同步提取空间和时间特征，从而能更好地建模两个维度间的依赖关系。在两个交通数据集上的实验表明，我们的ISTD-GCN在交通速度预测任务上优于10个基线方法。源代码见https://github.com/Anonymous。
引用
@article{arxiv.2008.03970,
title = {ISTD-GCN: Iterative Spatial-Temporal Diffusion Graph Convolutional Network for Traffic Speed Forecasting},
author = {Yi Xie and Yun Xiong and Yangyong Zhu},
journal= {arXiv preprint arXiv:2008.03970},
year = {2020}
}