基于张量分解重构融合图的空间-时间交通建模
机器学习
2022-12-13 v1
摘要
准确的空间-时间交通流预测对于帮助交通管理者采取管控措施以及驾驶者选择最优出行路线至关重要。近年来，图卷积网络（GCNs）因其在捕捉空间-时间依赖关系方面的强大能力而被广泛用于交通流预测。空间-时间图邻接矩阵的设计是 GCNs 成功的关键，且仍是一个开放问题。本文提出通过张量分解重构二值邻接矩阵，并提出了一种交通流预测方法。首先，我们将空间-时间融合图邻接矩阵重新表述为一个三向邻接张量。然后，我们通过 Tucker 分解重构该邻接张量，其中编码了更具信息量与全局性的空间-时间依赖。最后，将一个用于局部空间-时间相关性学习的空间-时间同步图卷积模块和一个用于全局相关性学习的膨胀卷积模块组装起来，以聚合并学习路网的综合空间-时间依赖。在四个开放数据集上的实验结果表明，所提模型在预测性能与计算成本方面均优于最先进的方法。
引用
@article{arxiv.2212.05653,
title = {Spatial-temporal traffic modeling with a fusion graph reconstructed by tensor decomposition},
author = {Qin Li and Xuan Yang and Yong Wang and Yuankai Wu and Deqiang He},
journal= {arXiv preprint arXiv:2212.05653},
year = {2022}
}
备注
11 pages, 8 figures