PASTA：基于空间自相关门控的并行时空注意力网络用于细粒度人群流预测
机器学习
2023-10-05 v1 人工智能
摘要
理解城市中物体（如人与车辆）的移动模式对于诸多应用至关重要，包括城市规划与管理。本文提出一种方法，通过对细粒度全市地图中历史人群流的时空模式建模，预测未来的全市人群流。我们引入一种名为基于空间自相关门控的并行时空注意力（PASTA）的新型神经网络，可有效捕捉细粒度地图中不规则的时空模式。我们方法中的新颖组件包括空间自相关门控、多尺度残差块以及时间注意力门控模块。空间自相关门控运用空间统计的概念来识别不规则空间区域。多尺度残差块负责处理细粒度地图中的多范围空间依赖，而时间注意力门控为预测滤除无关的时间信息。实验结果表明，我们的模型优于其他竞争基线，尤其在包含不规则空间区域的困难条件下。我们还提供定性分析以推导关键时间信息，即我们的模型在预测中赋予高注意力分数的时刻。
引用
@article{arxiv.2310.02284,
title = {PASTA: PArallel Spatio-Temporal Attention with spatial auto-correlation gating for fine-grained crowd flow prediction},
author = {Chung Park and Junui Hong and Cheonbok Park and Taesan Kim and Minsung Choi and Jaegul Choo},
journal= {arXiv preprint arXiv:2310.02284},
year = {2023}
}
备注
Accepted at Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) 2022