用于异构频率交通速度预测的多重相关注意力网络
机器学习
2022-05-06 v2 人工智能
摘要
人们已投入大量努力研究时空相关性以提高交通速度预测精度。然而，现有工作通常仅基于观测到的交通状态（如交通速度）建模相关性，而未充分考虑交通数据的不同相关性度量在不同交通状况下可能呈现出多样化模式。此外，现有工作假设所有路段均可采用相同的交通状态采样频率，这是不切实际的。本文中，我们提出新的度量来建模交通数据间的空间相关性，并表明所得相关模式在各种交通状况下差异显著。我们提出异构空间相关性(Heterogeneous Spatial Correlation, HSC)模型，基于特定度量捕获空间相关性，其中不同路段交通数据可为异构的（即采用不同采样频率获得）。我们提出多重相关注意力网络(Multi-fold Correlation Attention Network, MCAN)，其依靠 HSC 模型探索多重空间相关性，并利用 LSTM 网络捕获多重时间相关性以提供判别特征，从而实现准确交通预测。学到的多重时空相关性连同上下文因素通过注意力机制融合以做出最终预测。在真实数据集上的实验表明，所提 MCAN 模型优于最先进(state-of-the-art)基线。
引用
@article{arxiv.2104.09083,
title = {Multi-fold Correlation Attention Network for Predicting Traffic Speeds with Heterogeneous Frequency},
author = {Yidan Sun and Guiyuan Jiang and Siew-Kei Lam and Peilan He and Fangxin Ning},
journal= {arXiv preprint arXiv:2104.09083},
year = {2022}
}