STCGAT：面向智能交通系统交通流预测的时空因果图注意力网络
机器学习
2022-10-03 v3 人工智能
摘要
现代交通造成的空气污染与碳排放同全球气候变化密切相关。借助物联网（IoT）与人工智能（AI）等下一代信息技术，精准的交通流预测可有效解决交通拥堵等问题，并缓解环境污染与气候变化。其进一步促进智能交通系统（ITS）与智慧城市的发展。然而，交通数据极强的空间与时间相关性使得精准交通预测任务成为一项重大挑战。现有方法通常基于图神经网络，利用预定义的交通网络空间邻接图来建模空间依赖，忽略了道路节点间关系的动态相关性。此外，它们通常使用独立的时空组件来捕捉时空依赖，未能有效建模全局时空依赖。本文提出一种新的用于交通预测的时空因果图注意力网络（STCGAT）以应对上述挑战。在STCGAT中，我们采用节点嵌入方法，可在无先验地理知识的情况下于每个时间步自适应生成空间邻接子图，并对不同时间步动态生成图的拓扑进行细粒度建模。同时，我们提出一个高效的因果时间相关组件，包含节点自适应学习、图卷积以及局部与全局因果时间卷积模块，以联合学习局部与全局时空依赖。在四个真实大型交通数据集上的大量实验表明，我们的模型持续优于所有基线模型。
引用
@article{arxiv.2203.10749,
title = {STCGAT: A Spatio-temporal Causal Graph Attention Network for traffic flow prediction in Intelligent Transportation Systems},
author = {Wei Zhao and Shiqi Zhang and Bing Zhou and Bei Wang},
journal= {arXiv preprint arXiv:2203.10749},
year = {2022}
}