在图卷积神经网络变体用于交通预测的对比评估中重访随机森林
机器学习
2023-06-01 v1
摘要
交通预测是一项时空预测任务，在智能交通系统中起着至关重要的作用。如今，图卷积神经网络（GCNN）已成为交通预测文献中的主流模型，因为它们擅长提取空间相关性。在这项工作中，我们对成功的 GCNN 预测模型的组成部分进行分类，并分析矩阵分解、注意力机制和权重共享对其性能的影响。此外，我们将这些变体与随机森林——一种早于 GCNN 超过 15 年的传统回归方法——进行比较。我们使用多伦多两个区域的模拟数据以及来自选定加州高速公路的真实传感器数据对这些方法进行了评估。我们发现，将矩阵分解、注意力和位置特定模型权重单独或共同纳入 GCNN 可带来更好的整体性能。而且，尽管随机森林回归是紧凑性较低的模型，它在我们的实验中匹配或超越了所有 GCNN 变体的性能。这表明当前的图卷积方法可能并非交通预测的最佳途径，仍有改进空间。最后，我们的发现还表明，未来关于 GCNN 交通预测的研究若要具备可信度，必须包含与随机森林的性能比较。
引用
@article{arxiv.2305.19292,
title = {Revisiting Random Forests in a Comparative Evaluation of Graph Convolutional Neural Network Variants for Traffic Prediction},
author = {Ta Jiun Ting and Xiaocan Li and Scott Sanner and Baher Abdulhai},
journal= {arXiv preprint arXiv:2305.19292},
year = {2023}
}