用于交通预测的空间-时间张量图卷积网络
机器学习
2021-03-11 v1
摘要
准确的交通预测对城市交通引导与管理至关重要。然而，现有多数交通预测模型在捕捉交通数据中的时空依赖时，未考虑计算负担与内存空间。本文中，我们提出一种因子化的空间-时间张量图卷积网络来处理交通速度预测。交通网络被建模并统一为一张同时整合空间与时间信息的图。我们进一步将图卷积扩展至张量空间，提出张量图卷积网络以从时空图数据中提取更具判别性的特征。为降低计算负担，我们采用 Tucker 张量分解并导出因子化张量卷积，其在小尺度的空间、时间与特征模态上分别进行滤波。此外，在张量分解过程中丢弃那些琐碎分量时，我们还能受益于交通数据的噪声抑制。在两个真实世界交通速度数据集上的大量实验表明，我们的方法比传统交通预测方法更有效，同时达到了当前最优性能。
引用
@article{arxiv.2103.06126,
title = {Spatial-Temporal Tensor Graph Convolutional Network for Traffic Prediction},
author = {Xuran Xu and Tong Zhang and Chunyan Xu and Zhen Cui and Jian Yang},
journal= {arXiv preprint arXiv:2103.06126},
year = {2021}
}