面向城市级交通状态预测的空间-时间特征提取与评估网络
机器学习
2022-07-25 v1
摘要
交通预测在智能交通系统的交通控制与调度任务实现中起着重要作用。随着数据源的多样化，合理利用丰富的交通数据对交通流中复杂的空间-时间依赖与非线性特征进行建模，是智能交通系统的关键挑战。此外，清晰评估从不同数据中提取的空间-时间特征的重要性也成为一项挑战。本文提出双层空间-时间特征提取与评估（DL-STFEE）模型。DL-STFEE的下层为空间-时间特征提取层，通过多图图卷积与注意力机制提取交通数据中的空间与时间特征，并生成不同的空间与时间特征组合。DL-STFEE的上层为空间-时间特征评估层，通过高维自注意力机制生成的注意力分数矩阵，对空间-时间特征组合进行融合与评估，从而得到不同组合对预测效果的影响。在实际交通数据集上进行了三组实验，表明DL-STFEE能有效捕获空间-时间特征并评估不同空间-时间特征组合的重要性。
引用
@article{arxiv.2207.11034,
title = {Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction},
author = {Shilin Pu and Liang Chu and Zhuoran Hou and Jincheng Hu and Yanjun Huang and Yuanjian Zhang},
journal= {arXiv preprint arXiv:2207.11034},
year = {2022}
}
备注
39 pages, 14 figures, 5 tables