用于交通预测的空间-时间自适应图卷积与注意力网络
机器学习
2022-06-08 v1 图形学
摘要
交通预测是智能交通系统中空间-时间学习任务的典型例子。现有方法在图卷积神经算子中利用预先确定的矩阵捕捉空间依赖关系。然而，显式图结构丢失了节点间关系的某些隐藏表示。此外，传统图卷积神经算子无法聚合图上长距离节点。为克服这些局限，我们提出一种新颖网络——用于交通预测的空间-时间自适应图卷积与注意力网络（STAAN）。首先，我们在 GCN 处理中采用自适应依赖矩阵替代预定义矩阵以推断节点间相互依赖关系。其次，我们将基于图注意力网络、为全局依赖设计的 PW 注意力与 GCN 集成作为空间块。此外，我们的时间块采用堆叠空洞一维卷积（在长期预测中高效）以捕捉不同时间序列。我们在两个真实世界数据集上评估 STAAN，实验验证了我们的模型优于最先进的基线。
引用
@article{arxiv.2206.03128,
title = {Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting},
author = {Chen Weikang and Li Yawen and Xue Zhe and Li Ang and Wu Guobin},
journal= {arXiv preprint arXiv:2206.03128},
year = {2022}
}