极简交通预测：线性层足矣
机器学习
2023-08-24 v2
摘要
交通预测对智能交通系统（ITS）的推进与智慧城市愿景至关重要。尽管时空图神经网络（STGNNs）通过结合图神经网络（GNNs）与RNN或Transformers在该领域展现出潜力，但它们带来了计算复杂度、梯度问题以及资源密集等挑战。本文应对这些挑战，主张三种主要解决方案：节点嵌入方法、时间序列分解与周期性学习。我们引入STLinear，一种为优化效率与性能而设计的极简模型架构。与传统STGNN不同，STLinear完全局部运行，避免节点间数据交换，且仅依赖线性层，大幅削减计算需求。我们在真实世界数据集上的实证研确认了STLinear的实力，其精度匹配或超越领先STGNN，但复杂度与计算开销显著降低（与2023年发表的最先进STGNN基线相比，每轮MACs减少逾95%）。总之，STLinear作为传统STGNN的一种强劲高效替代方案崭露头角，对ITS与智慧城市倡议的未来具有深远意义。
引用
@article{arxiv.2308.10276,
title = {Minimalist Traffic Prediction: Linear Layer Is All You Need},
author = {Wenying Duan and Hong Rao and Wei Huang and Xiaoxi He},
journal= {arXiv preprint arXiv:2308.10276},
year = {2023}
}
备注
9 pages