基于图稀疏注意力机制和双向时序卷积网络的交通空间-时间数据多模态联合预测
计算机视觉与模式识别
2024-12-31 v1
摘要
交通流预测在城市交通系统的管理与运营中发挥着关键作用。虽然已有大量研究聚焦于单一交通方式的预测，但针对不同交通方式联合预测的研究相对有限。此外，现有的多模态交通联合建模方法在空间-时序特征提取方面缺乏灵活性。为此，本文提出一种名为图稀疏注意力机制与双向时序卷积网络（Graph Sparse Attention Mechanism with Bidirectional Temporal Convolutional Network, GSABT）的方法，用于交通空间-时间数据多模态联合预测。首先，利用多模态图乘以自注意力权重来捕获空间局部特征，然后采用Top-U稀疏注意力机制获取空间全局特征。其次，采用双向时序卷积网络来增强输出数据与输入数据之间的时序特征相关性，通过共享-唯一模块提取跨模态和内模态时序特征。最后，设计了一个可灵活扩展至空间和时序维度的多模态联合预测框架。在三个真实数据集上的大量实验表明，所提模型持续实现最先进的预测性能。
引用
@article{arxiv.2412.19842,
title = {Multimodal joint prediction of traffic spatial-temporal data with graph sparse attention mechanism and bidirectional temporal convolutional network},
author = {Dongran Zhang and Jiangnan Yan and Kemal Polat and Adi Alhudhaif and Jun Li},
journal= {arXiv preprint arXiv:2412.19842},
year = {2024}
}