Traffic4cast 2020——图集成网络及特征与损失函数设计对交通预测的重要性
机器学习
2020-12-04 v1
摘要
本文详述了我们针对 Traffic4cast 2020 的解决方案。与 Traffic4cast 2019 类似，Traffic4cast 2020 要求参赛者开发能够预测大城市未来交通状态的算法。我们团队从两方面应对该挑战：研究了特征与损失函数设计的重要性，并对去年性能最佳的 U-Net 方案实现了显著改进；同时探索了图神经网络(GNN)的使用，提出了一种新颖的集成 GNN 架构，其性能优于去年的 GNN 方案。尽管我们的 GNN 有所改进，仍未能匹敌 U-Net 的性能，本文讨论了造成这一差距的潜在原因。我们的最终方案将 U-Net 与 GNN 集成，在 Traffic4cast 2020 中取得第四名的成绩。
引用
@article{arxiv.2012.02115,
title = {Traffic4cast 2020 -- Graph Ensemble Net and the Importance of Feature And Loss Function Design for Traffic Prediction},
author = {Qi Qi and Pak Hay Kwok},
journal= {arXiv preprint arXiv:2012.02115},
year = {2020}
}
备注
8 pages, 5 figures