时空图卷积网络：一种用于交通预测的深度学习框架
机器学习
2018-07-13 v4 机器学习
摘要
及时准确的交通预测对城市交通控制和引导至关重要。由于交通流的高度非线性和复杂性，传统方法无法满足中长期预测任务的要求，且常忽视空间和时间依赖性。本文提出一种新颖的深度学习框架——时空图卷积网络（Spatio-Temporal Graph Convolutional Networks, STGCN），以解决交通领域的时间序列预测问题。我们没有采用常规的卷积和循环单元，而是在图上表述问题，并构建具有完整卷积结构的模型，从而以更少的参数实现快得多的训练速度。实验表明，我们的STGCN模型通过建模多尺度交通网络有效捕获了全面的时空相关性，并在多个真实世界交通数据集上持续优于最先进的基线方法。
引用
@article{arxiv.1709.04875,
title = {Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting},
author = {Bing Yu and Haoteng Yin and Zhanxing Zhu},
journal= {arXiv preprint arXiv:1709.04875},
year = {2018}
}
备注
Proceedings of the 27th International Joint Conference on Artificial Intelligence