用于交通预测的时空联合图卷积网络
机器学习
2023-06-14 v3 人工智能
摘要
近期研究已将重心转向将交通预测表述为时空图建模问题。典型做法是，在每个时间步构建静态空间图，然后将相邻时间步间各节点与自身相连以创建时空图。然而，该方法未能显式反映不同时间步下不同节点间的相关性，从而限制了图神经网络的学习能力。此外，这些模型在不同时间步使用相同的邻接矩阵，忽视了节点间动态的时空相关性。为克服这些局限，我们提出一种称为时空联合图卷积网络（STJGCN）的新方法，用于在道路网络上对多个未来时间步进行精确交通预测。具体而言，我们的方法涵盖在任何两个时间步之间构建预定义与自适应的时空联合图（STJG），其表征全面且动态的时空相关性。我们进一步在STJG上引入膨胀因果时空联合图卷积层，以多种范围从不同视角捕获时空依赖。为聚合来自不同范围的信息，我们提出多范围注意力机制。最后，我们在五个公开交通数据集上评估了我们的方法，实验结果表明STJGCN不仅计算高效，且优于11种最先进的基线方法。
引用
@article{arxiv.2111.13684,
title = {Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting},
author = {Chuanpan Zheng and Xiaoliang Fan and Shirui Pan and Haibing Jin and Zhaopeng Peng and Zonghan Wu and Cheng Wang and Philip S. Yu},
journal= {arXiv preprint arXiv:2111.13684},
year = {2023}
}