T-GCN：一种用于交通预测的时间图卷积网络
机器学习
2019-08-13 v3 机器学习
摘要
准确实时的交通预测在智能交通系统中发挥着重要作用，对城市交通规划、交通管理和交通控制具有重要意义。然而，由于城市道路网络拓扑结构的约束以及随时间动态变化的规律，即空间依赖性和时间依赖性，交通预测一直被视为一个开放的科学问题。为了同时捕捉空间和时间依赖性，我们提出了一种新颖的基于神经网络的交通预测方法——时间图卷积网络（T-GCN）模型，该模型结合了图卷积网络（GCN）与门控循环单元（GRU）。具体而言，GCN用于学习复杂拓扑结构以捕捉空间依赖性，门控循环单元用于学习交通数据的动态变化以捕捉时间依赖性。随后，T-GCN模型被应用于基于城市道路网络的交通预测。实验表明，我们的T-GCN模型能够从交通数据中获取时空相关性，并且在真实交通数据集上的预测优于最先进的基线方法。我们的T-GCN的tensorflow实现可在 https://github.com/lehaifeng/T-GCN 获取。
引用
@article{arxiv.1811.05320,
title = {T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction},
author = {Ling Zhao and Yujiao Song and Chao Zhang and Yu Liu and Pu Wang and Tao Lin and Min Deng and Haifeng Li},
journal= {arXiv preprint arXiv:1811.05320},
year = {2019}
}
备注
10 pages, 14 figures