交通网络上的多步速度预测：一种带注意力机制的图卷积序列到序列学习方法
机器学习
2018-10-30 v1 人工智能
机器学习
摘要
道路网络上的多步交通预测是成功应用智能交通系统的关键任务。为捕捉多步交通状况预测中复杂非平稳的时间动态与空间依赖性，我们提出了一种名为注意力图卷积序列到序列模型（AGC-Seq2Seq）的新型深度学习框架。在该深度学习框架中，空间与时间依赖性分别通过 Seq2Seq 模型和图卷积网络建模，并提出注意力机制以及一种基于 Seq2Seq 架构新设计的训练方法，以克服多步预测的困难并进一步捕捉交通模式的时空异质性。我们使用真实世界数据集将 AGC-Seq2Seq 与其他基准模型进行数值测试对比。结果表明，我们的模型在各种预测误差度量下均取得最佳预测性能。此外，通过敏感性分析揭示了不同预测步长与路段下交通状况时空相关性的变化。
引用
@article{arxiv.1810.10237,
title = {Multistep Speed Prediction on Traffic Networks: A Graph Convolutional Sequence-to-Sequence Learning Approach with Attention Mechanism},
author = {Zhengchao Zhang and Meng Li and Xi Lin and Yinhai Wang and Fang He},
journal= {arXiv preprint arXiv:1810.10237},
year = {2018}
}