用于交通预测的元注意力图卷积循环网络
机器学习
2023-08-29 v1
摘要
交通预测是智能交通系统中的基础问题。现有交通预测器因表达力有限而难以建模交通数据中复杂的时空依赖，主要受制于以下局限：其一，多数方法主要建模局部共享模式，不足以全局捕获各节点特有模式，因而无法学习节点的独特属性与多样化模式；其二，多数现有方法难以同时准确建模短期与长期依赖。本文提出一种新型交通预测器，称为元注意力图卷积循环网络（MAGCRN）。MAGCRN 以图卷积循环网络（GCRN）为核心模块建模局部依赖，并通过两个新模块改进其运作：1）节点特定元模式学习（NMPL）模块，用于全局捕获节点特定模式；2）节点注意力权重生成（NAWG）模块，通过在 GCRN 每一步将节点特定特征与初始学习特征连接来捕获短期与长期依赖。在六个真实交通数据集上的实验表明，NMPL 与 NAWG 协同使 MAGCRN 在短期与长期预测上均优于最优基线。
引用
@article{arxiv.2308.14377,
title = {Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting},
author = {Adnan Zeb and Yongchao Ye and Shiyao Zhang and James J. Q. Yu},
journal= {arXiv preprint arXiv:2308.14377},
year = {2023}
}