SMA-Hyper：面向交通事故预测的时空多视图融合超图学习
机器学习
2024-07-26 v1 人工智能
摘要
预测交通事故是可持续城市管理的关键，这需要有效应对城市的动态和复杂时空特征。当前的数据驱动模型往往在数据稀疏性方面吃力，忽略了多源城市数据的整合以及它们之间高阶依赖关系。此外，这些模型经常依赖于预定义的拓扑或权重，限制了其在时空预测中的适应性。为此，我们引入了时空多视图自适应超图学习（Spatiotemporal Multiview Adaptive HyperGraph Learning, SMA-Hyper）模型，一个为交通事故预测设计的动态深度学习框架。在前期研究的基础上，该创新模型包含双向自适应时空图学习机制，能够通过超图实现高阶跨区域学习并动态适应不断变化的城市数据。它还利用对比学习来增强稀疏数据集中的全局和局部数据表示，并采用先进的注意力机制融合事故数据的多视图和城市功能特征，从而丰富了对风险因素的理解。在伦敦交通事故数据集上的广泛测试表明，SMA-Hyper模型在各种时间范围和多步输出方面均显著优于基线模型，确认了其多视图融合和自适应学习策略的有效性。结果的可解释性进一步凸显了其在利用复杂时空城市数据改善城市交通管理和安全性方面的潜力，为适应多样化城市环境提供了可扩展的框架。
引用
@article{arxiv.2407.17642,
title = {SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction},
author = {Xiaowei Gao and James Haworth and Ilya Ilyankou and Xianghui Zhang and Tao Cheng and Stephen Law and Huanfa Chen},
journal= {arXiv preprint arXiv:2407.17642},
year = {2024}
}