SGRU: 高性能结构化门控循环单元用于交通流预测
人工智能
2024-04-19 v1
摘要
交通流预测是构建智能城市中不可或缺的任务,属于典型的多变量时间序列(MTS)问题。近期研究已放弃使用门控循环单元(GRU),改用稀释卷积或时间切片进行特征提取,但存在以下缺陷:(1)稀释卷积无法捕捉相邻时间步骤的特征,导致关键过渡数据丢失;(2)同一时间切片内部的连接较强,而不同时间切片之间的连接则过于松散。鉴于这些局限性,我们强调反复分析完整时间序列的重要性,以及GRU在MTS中的关键作用。因此,我们提出SGRU:结构化门控循环单元,其涉及结构化GRU层和非线性单元,并通过多个时间嵌入层来增强模型的拟合性能。我们在四个公开的加州交通数据集上进行评估:PeMS03、PeMS04、PeMS07和PeMS08用于回归预测。实验结果表明,我们的方法相对于基线模型平均改进了11.7%、18.6%、18.5%和12.0%。
引用
@article{arxiv.2404.11854,
title = {SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction},
author = {Wenfeng Zhang and Xin Li and Anqi Li and Xiaoting Huang and Ti Wang and Honglei Gao},
journal= {arXiv preprint arXiv:2404.11854},
year = {2024}
}
备注
7 pages, 6 figures, conference