用于交通预测的空间-时间图卷积门控循环网络
机器学习
2022-10-07 v1
摘要
作为智能交通系统的重要组成部分，交通预测已引起学术界与工业界的极大关注。尽管已提出大量交通预测方法，对复杂时空依赖的建模仍十分困难。时间依赖包含短期依赖与长期依赖，而后者常被忽视。空间依赖可分为两部分：基于距离的空间依赖与隐藏空间依赖。为建模复杂时空依赖，我们提出一种新颖的交通预测框架，称为空间-时间图卷积门控循环网络（STGCGRN）。我们设计了一个注意力模块，通过挖掘交通数据中的周期信息来捕获长期依赖。我们提出双图卷积门控循环单元（DGCGRU）来捕获空间依赖，其集成了图卷积网络与 GRU。图卷积部分分别使用基于距离的预定义邻接矩阵建模基于距离的空间依赖，并使用自适应邻接矩阵建模隐藏空间依赖。特别地，我们采用多头机制来捕获多种隐藏依赖。此外，各预测节点的周期模式可能不同，这一点常被忽略，导致在建模空间依赖时节点间周期信息相互干扰。为此，我们探究了模型架构并提升了性能。在四个数据集上的实验证明了我们模型的优越性能。
引用
@article{arxiv.2210.02737,
title = {Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting},
author = {Le Zhao and Mingcai Chen and Yuntao Du and Haiyang Yang and Chongjun Wang},
journal= {arXiv preprint arXiv:2210.02737},
year = {2022}
}