面向交通预测的时空元图学习
机器学习
2023-03-08 v4 人工智能
摘要
交通预测作为多元时间序列预测的典型任务，一直是人工智能领域的重要研究课题。为解决交通流中隐含的时空异质性与非平稳性，本研究提出时空元图学习，作为一种针对时空数据的图结构学习新机制。具体而言，我们将该思想实现于元图卷积循环网络（Meta-Graph Convolutional Recurrent Network, MegaCRN）中，通过将由元节点库（Meta-Node Bank）驱动的元图学习器插入 GCRN 编码器-解码器。我们在两个基准数据集（即 METR-LA 和 PEMS-BAY）以及一个覆盖东京 1843 条高速公路路段的新大规模交通速度数据集 EXPY-TKY 上进行了全面评估。我们的模型在所有三个数据集上均优于当前最优方法（state-of-the-arts）。此外，通过一系列定性评估，我们证明该模型能够显式解耦具有不同模式的路段与时间片，并对任意异常交通状况保持鲁棒自适应。代码与数据集见 https://github.com/deepkashiwa20/MegaCRN。
引用
@article{arxiv.2211.14701,
title = {Spatio-Temporal Meta-Graph Learning for Traffic Forecasting},
author = {Renhe Jiang and Zhaonan Wang and Jiawei Yong and Puneet Jeph and Quanjun Chen and Yasumasa Kobayashi and Xuan Song and Shintaro Fukushima and Toyotaro Suzumura},
journal= {arXiv preprint arXiv:2211.14701},
year = {2023}
}
备注
Accepted by AAAI 2023