用于交通流预测的多尺度时空循环网络
机器学习
2023-10-13 v1 人工智能
摘要
交通流预测是智能交通系统最基础的任务之一。复杂且动态的时空依赖关系使得交通流预测极具挑战性。尽管现有时空图神经网络表现突出，但它们常面临如下挑战：(1) 忽略固定图限制了模型的预测性能；(2) 未能充分同时捕捉复杂时空依赖；(3) 缺乏对不同时长时空信息的关注。本文提出一种用于交通流预测的多尺度时空循环网络，即MSSTRN，其由两种不同循环神经网络组成：单步门控循环单元与多步门控循环单元，以充分捕捉交通数据在不同时间窗下的复杂时空信息。此外，我们提出一种时空同步注意力机制，将自适应位置图卷积整合至自注意力机制中，以实现时空依赖的同步捕捉。我们在四个真实交通数据集上进行了大量实验，结果表明相较全部二十种基线方法，我们的模型以显著优势取得最佳预测精度。
引用
@article{arxiv.2310.08138,
title = {Multi-Scale Spatial-Temporal Recurrent Networks for Traffic Flow Prediction},
author = {Haiyang Liu and Chunjiang Zhu and Detian Zhang and Qing Li},
journal= {arXiv preprint arXiv:2310.08138},
year = {2023}
}