KST-GCN：一种用于交通预测的知识驱动时空图卷积网络
机器学习
2022-01-20 v2
摘要
在考虑交通的时空特征时，捕捉各种外部因素对出行的影响是实现准确交通预测的关键一步。然而，现有研究很少考虑外部因素，或忽视了外部因素之间复杂相关性对交通的影响。直观上，知识图谱可以自然地描述这些相关性。由于知识图谱与交通网络本质上是异构网络，整合两个网络中的信息具有挑战性。在此背景下，本研究提出了一种基于时空图卷积网络的知识表示驱动交通预测方法。我们首先构建用于交通预测的知识图谱，并通过名为KR-EAR的知识表示学习方法导出知识表示。然后，我们提出知识融合单元（KF-Cell）将知识与交通特征结合，作为时空图卷积骨干网络的输入。在真实世界数据集上的实验结果表明，我们的策略在不同预测时域内提升了骨干网络的预测性能。消融与扰动分析进一步验证了所提方法的有效性与鲁棒性。据我们所知，这是首个构建并利用知识图谱来促进交通预测的研究；它也为整合外部信息与时空信息用于交通预测提供了有前景的方向。源代码可在 https://github.com/lehaifeng/T-GCN/tree/master/KST-GCN 获取。
引用
@article{arxiv.2011.14992,
title = {KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network for Traffic Forecasting},
author = {Jiawei Zhu and Xin Han and Hanhan Deng and Chao Tao and Ling Zhao and Pu Wang and Lin Tao and Haifeng Li},
journal= {arXiv preprint arXiv:2011.14992},
year = {2022}
}
备注
11 pages, 14 figures, 7 tables