考虑多级时空信息的交通预测：一种多尺度图小波方法
人工智能
2024-06-21 v1 信号处理
摘要
尽管交通预测在智能交通系统领域已获得广泛关注并取得诸多成功，但预测包含不同道路类型的复杂交通网络上的交通状态仍然是一个挑战。本研究提出了一种多尺度图小波时序卷积网络（MSGWTCN）来预测复杂交通网络中的交通状态。具体来说，设计了一个多尺度空间模块来同时捕获不同级别的空间信息，并采用门控时序卷积网络来提取数据的时间依赖性。该模型通过堆叠不同尺度的图小波，联合学习构建多级空间交互。本研究使用两个真实世界数据集来研究模型性能，包括西雅图的高速公路网络和纽约市曼哈顿的密集道路网络。实验结果表明，所提出的模型优于其他基线模型。此外，发现不同尺度的图小波能同时有效提取局部、中间和全局信息，从而使模型能够学习包含各种类型路段的复杂交通网络拓扑。通过仔细定制小波的尺度，该模型能够提高预测性能并更好地适应不同的网络配置。
引用
@article{arxiv.2406.13038,
title = {Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach},
author = {Zilin Bian and Jingqin Gao and Kaan Ozbay and Zhenning Li},
journal= {arXiv preprint arXiv:2406.13038},
year = {2024}
}