用于交通预测的多时空融合图循环网络
机器学习
2022-10-03 v2 人工智能
摘要
交通预测对于新时代智慧城市的交通建设至关重要。然而，交通数据复杂的空间和时间依赖关系使得交通预测极具挑战性。大多数现有交通预测方法依赖于预定义的邻接矩阵来建模时空依赖关系。尽管如此，道路交通状态具有高度实时性，因此邻接矩阵应随时间动态变化。本文提出一种新的多时空融合图循环网络（MSTFGRN）以解决上述问题。该网络提出一种数据驱动的加权邻接矩阵生成方法，以弥补预定义邻接矩阵未能反映的实时空间依赖关系。它还通过对不同时刻的并行时空关系执行一种新的双向时空融合操作，高效学习隐藏的时空依赖关系。最后，通过将全局注意力机制集成到时空融合模块中，同时捕获全局时空依赖关系。在四个大规模真实世界交通数据集上的大量实验表明，与备选基线相比，我们的方法达到了最先进的性能。
引用
@article{arxiv.2205.01480,
title = {Multi-Spatio-temporal Fusion Graph Recurrent Network for Traffic forecasting},
author = {Wei Zhao and Shiqi Zhang and Bing Zhou and Bei Wang},
journal= {arXiv preprint arXiv:2205.01480},
year = {2022}
}