MHGNet：用于交通预测的多异构图神经网络
机器学习
2025-01-08 v1 人工智能
摘要
近年来，交通流预测在智能交通系统的管理中发挥着关键作用。然而，传统的预测方法常将非欧几里得低维交通数据建模为单类型节点和边的简单图，无法捕捉同类型节点间相似的趋势。为此，本文提出了 MHGNet 框架，用于构建时空多异构图。该框架内，STD 模块通过时间嵌入矩阵和节点嵌入矩阵的特征映射将单模式交通数据解耦为多模式交通数据。随后，Node Clusterer 利用节点与不同类型限心点之间的欧几里得距离进行聚类，时间复杂度为 O(N)。位于每个簇内的节点在由 DSTGG 模块生成的时空融合子图中进行残差子图卷积，随后在 SIE 模块中进行节点重定位和权重重新分配。为验证 MHGNet 的有效性，本文在四个广泛使用的基准数据集上进行了大量消融实验和量化评估，显示其性能优异。
引用
@article{arxiv.2501.03635,
title = {MHGNet: Multi-Heterogeneous Graph Neural Network for Traffic Prediction},
author = {Mei Wu and Yiqian Lin and Tianfan Jiang and Wenchao Weng},
journal= {arXiv preprint arXiv:2501.03635},
year = {2025}
}
备注
Accepted by 2025 lEEE International Conference on Acoustics, speech, and signal Processing (lCASSP2025)