面向城市时空预测中多图卷积网络的多模态图交互
机器学习
2019-05-29 v1 机器学习
摘要
基于图卷积网络的方法近来被用于建模城市计算中区域级预测问题的区域间关系。每种关系代表一种空间依赖，如区域间距离或功能相似性。为了将多种关系纳入空间特征提取，我们将该问题定义为多图卷积网络上的多模态机器学习问题。利用多模态机器学习的优势，我们提出为该问题开发模态交互机制，以通过加强多模态协调表示的学习来降低泛化误差。在这项工作中，我们提出了分别处理低层和高层特征的两种交互技术。在低层，我们提出分组 GCN 以结合来自不同模态的图连通性，从而实现更完整的空间特征提取。在高层的，我们通过探索维度变换和冻结部分协方差结构，将多线性关系网络适配到 GCN。该适配方法称为多线性关GCN，学习更具泛化性的特征以克服由时间偏移引起的训练-测试分歧。我们使用两个真实世界数据集在网约车需求预测问题上评估了我们的模型。所提出的技术在预测精度、训练效率、可解释性和模型鲁棒性方面优于最先进的基线。
引用
@article{arxiv.1905.11395,
title = {Multi-Modal Graph Interaction for Multi-Graph Convolution Network in Urban Spatiotemporal Forecasting},
author = {Xu Geng and Xiyu Wu and Lingyu Zhang and Qiang Yang and Yan Liu and Jieping Ye},
journal= {arXiv preprint arXiv:1905.11395},
year = {2019}
}