简即为优：基于图卷积循环神经网络单元的多级抽象交通预测
机器学习
2022-09-09 v1 计算机视觉与模式识别
摘要
近年来，图神经网络（GNN）与循环神经网络（RNN）变体相结合，在时空预测任务中达到了最先进性能。交通预测尤为如此，其中 GNN 模型利用道路网络的图结构来刻画链路与节点间的空间相关性。近期方案或基于复杂图操作，或规避预定义图。本文提出一种新的序列到序列架构，利用具有稀疏架构的 GNN-RNN 单元在多个抽象层级提取时空相关性，从而相较于更复杂设计缩短训练时间。通过多个编码器以编码器层数递增方式对相同输入序列进行编码，使网络经由多级抽象学习总体与细节信息。我们进一步提出一个来自加拿大蒙特利尔的街道级路段交通数据新基准数据集。与高速公路不同，城市路段具有循环性且空间依赖复杂。在 METR-LA 高速公路基准与我们 MSLTD 街道级路段数据集上的实验结果表明，相较于基线方法，我们的模型在一小时预测上性能提升逾 7%，同时相较于其他竞争方法计算资源需求减少逾一半。
引用
@article{arxiv.2209.03858,
title = {Simpler is better: Multilevel Abstraction with Graph Convolutional Recurrent Neural Network Cells for Traffic Prediction},
author = {Naghmeh Shafiee Roudbari and Zachary Patterson and Ursula Eicker and Charalambos Poullis},
journal= {arXiv preprint arXiv:2209.03858},
year = {2022}
}