用于流量预测的空间-时间自注意力网络
机器学习
2019-12-24 v2 人工智能
机器学习
摘要
具有空间-时间特征的流量预测（如人群流量、交通流量）在人工智能研究领域日益受到关注。由于不同位置间复杂的空间依赖关系以及不同时间间隔间动态的时间依赖关系，该问题极具挑战性。尽管两类依赖的度量均被采用，现有方法仍存在如下两个问题。第一，时间依赖要么被均匀度量，要么偏向长期依赖，忽视了短期与长期时间依赖的差异化影响。第二，现有方法独立地捕捉空间与时间依赖，错误地假设这些依赖间相关性弱，并忽略了它们之间复杂的相互影响。为解决这些问题，我们提出空间-时间自注意力网络（ST-SAN）。由于在自注意力机制中关注长期依赖的路径长度更短，长期时间依赖的消失得以防止。此外，由于我们的模型仅依赖注意力机制，空间与时间依赖可被同时度量。真实数据上的实验结果表明，与最先进方法相比，我们的模型在 Taxi-NYC 数据上将流入预测均方根误差降低 9%，流出预测降低 4%，相较于以往的改进非常显著。
引用
@article{arxiv.1912.07663,
title = {Spatial-Temporal Self-Attention Network for Flow Prediction},
author = {Haoxing Lin and Weijia Jia and Yiping Sun and Yongjian You},
journal= {arXiv preprint arXiv:1912.07663},
year = {2019}
}
备注
8 pages