学习记忆模式：用于交通预测的模式匹配记忆网络
机器学习
2022-03-09 v2 神经与进化计算
摘要
由于复杂的道路网络以及道路上各种事件引起的突然速度变化，交通预测是一个具有挑战性的问题。已有许多模型被提出来解决这一挑战性问题，重点在于学习道路的时空依赖关系。在这项工作中，我们提出了一种将预测问题转化为模式匹配任务的新视角，假设大数据可由一组模式表示。为评估这一新视角的有效性，我们设计了一种新颖的交通预测模型，称为模式匹配记忆网络（PM-MemNet），它通过键值记忆结构学习将输入数据匹配到代表性模式。我们首先提取并聚类代表性交通模式，将其作为记忆中的键。然后通过匹配提取的键与输入，PM-MemNet从记忆中获取现有交通模式的必要信息并用于预测。为建模交通的时空相关性，我们提出了新颖的记忆架构GCMem，其集成了注意力与图卷积以增强记忆。实验结果表明，PM-MemNet比最先进的模型（如Graph WaveNet）更准确且响应性更高。我们还给出了定性分析结果，描述了PM-MemNet如何在道路速度快速变化时工作并达到更高精度。
引用
@article{arxiv.2110.10380,
title = {Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting},
author = {Hyunwook Lee and Seungmin Jin and Hyeshin Chu and Hongkyu Lim and Sungahn Ko},
journal= {arXiv preprint arXiv:2110.10380},
year = {2022}
}
备注
15 pages, Accepted as poster to ICLR 2022