MA2GCN：基于轨迹数据的多邻接关系注意力图卷积网络用于交通预测
机器学习
2024-01-19 v2 人工智能
摘要
交通拥堵问题不仅造成巨大的经济损失，还严重危害城市环境。预测交通拥堵具有重要的现实意义。迄今为止，大多数研究基于部署在不同道路上的传感器的历史数据来预测未来的交通流量和速度，以分析特定路段的交通拥堵状况。然而，由于传感器位置固定，难以挖掘新的信息。另一方面，车辆轨迹数据更为灵活，可以根据需要提取交通信息。因此，我们提出了一种新的交通拥堵预测模型——多邻接关系注意力图卷积网络（MA2GCN）。该模型将车辆轨迹数据转换为网格形式的图结构数据，并基于不同网格间的移动性提出了车辆进出矩阵。同时，为了提高模型性能，本文还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要使用门控时间卷积和图卷积分别提取时间和空间信息。与多个基线模型相比，我们的模型在上海出租车GPS轨迹数据集上取得了最佳性能。代码可在 https://github.com/zachysun/Taxi_Traffic_Benchmark 获取。
引用
@article{arxiv.2401.08727,
title = {MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data},
author = {Zhengke Sun and Yuliang Ma},
journal= {arXiv preprint arXiv:2401.08727},
year = {2024}
}