ST-GRAT：一种用于精确预测动态变化道路速度的新型时空图注意力网络
机器学习
2020-10-21 v2 信号处理
摘要
由于道路类型多样、速度突变以及道路间空间依赖关系，预测道路交通速度是一项具有挑战性的任务；它需要对道路间动态变化的空间依赖关系与长输入序列上的时间模式进行建模。本文提出一种新颖的时空图注意力网络（ST-GRAT），可有效捕捉路网中的时空动态。我们方法的新颖之处主要包括空间注意力、时间注意力与空间哨兵向量。空间注意力利用图结构信息（如道路间距离）并基于道路状态动态调整空间相关性。时间注意力负责捕捉交通速度变化，哨兵向量使模型能够从空间相关节点检索新特征或保留已有特征。实验结果表明，ST-GRAT优于现有模型，尤其在交通速度快速变化（如高峰时段）的困难条件下。我们还提供了定性研究，以分析ST-GRAT在高峰时段何时何地倾向于做出准确预测。
引用
@article{arxiv.1911.13181,
title = {ST-GRAT: A Novel Spatio-temporal Graph Attention Network for Accurately Forecasting Dynamically Changing Road Speed},
author = {Cheonbok Park and Chunggi Lee and Hyojin Bahng and Yunwon Tae and Kihwan Kim and Seungmin Jin and Sungahn Ko and Jaegul Choo},
journal= {arXiv preprint arXiv:1911.13181},
year = {2020}
}
备注
to be published in CIKM-2020