用于交通预测的空间-时间超图神经网络
机器学习
2023-10-26 v1
摘要
交通预测受益于移动互联网发展与定位技术，在智能交通系统中发挥着关键作用。它基于采集的交通数据，助力实现丰富多样的交通应用并为人们带来便捷的交通服务。大多数现有方法通常利用基于图的深度学习网络浅层地建模复杂路网进行交通预测。尽管有效，这些方法普遍难以充分捕捉由路网拓扑引起的高阶空间依赖以及由交通动态引起的高阶时间依赖。为应对上述问题，我们聚焦交通系统本质，提出 STHODE：空间-时间超图神经常微分方程网络，其结合路网拓扑与交通动态以捕捉交通数据中的高阶时空依赖。在技术层面，STHODE 由空间模块与时间模块组成。一方面，我们构建空间超图并利用自适应 MixHop 超图 ODE 网络捕捉高阶空间依赖。另一方面，我们利用时间超图并采用超边演化 ODE 网络捕捉高阶时间依赖。最后，我们聚合堆叠 STHODE 层的输出以相互增强预测性能。在四个真实世界交通数据集上的大量实验证明了我们所提模型相较各类基线的优越性能。
引用
@article{arxiv.2310.16070,
title = {Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting},
author = {Chengzhi Yao and Zhi Li and Junbo Wang},
journal= {arXiv preprint arXiv:2310.16070},
year = {2023}
}