ST-MLP：一种用于交通预测且具有通道独立策略的级联时空线性框架
机器学习
2023-08-16 v1 人工智能
摘要
在智能交通系统（ITS）中，及时精确的交通预测对优化交通流管理至关重要，已引起学界广泛关注。时空图神经网络（STGNNs）因适应道路图结构而备受赞誉。然而，当前 STGNNs 架构研究常偏重复杂设计，导致计算负担加重而精度仅微幅提升。为此，我们提出 ST-MLP，一种仅基于级联多层感知机（MLP）模块与线性层的简洁时空模型。具体而言，我们借助时间序列预测中一种有效技术——通道独立策略的成功实现，融合了时间信息、空间信息与预定义图结构。实证结果表明，ST-MLP 在精度与计算效率上均优于最先进的 STGNNs 及其他模型。我们的发现鼓励在交通预测领域进一步探索更简洁有效的神经网络架构。
引用
@article{arxiv.2308.07496,
title = {ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting},
author = {Zepu Wang and Yuqi Nie and Peng Sun and Nam H. Nguyen and John Mulvey and H. Vincent Poor},
journal= {arXiv preprint arXiv:2308.07496},
year = {2023}
}