面向交通流预测的枢纽感知时空自适应图 Transformer
人工智能
2024-12-24 v3
摘要
作为智能交通系统（ITS）的核心技术，交通流预测具有广泛应用。交通流数据具有时空特性，不仅与道路网络中的空间位置相关，也随时间的时序索引变化。现有方法部分解决了交通流预测中的挑战，侧重于有效建模时空依赖，但并未充分利用交通流数据的所有内在属性。此外，针对时空数据挖掘的增量学习尝试极少，且以往工作很少能轻易迁移到交通流预测任务。受交通流预测增量学习方法挑战以及道路网络内在属性利用不足的驱动，我们提出一种面向交通流预测的枢纽感知时空自适应图 Transformer（H-STFormer）。具体而言，我们首先设计一种新颖的空间自注意力模块以捕获动态空间依赖。三个图掩码矩阵被集成到空间自注意力中，以突出短期与长期依赖。此外，我们采用时间自注意力模块来检测交通流数据中的动态时间模式。最后，我们设计了一个额外的时空知识蒸馏模块用于交通流预测任务的增量学习。通过大量实验，我们展示了 H-STFormer 在常规与增量交通流预测任务中的有效性。代码见 https://github.com/Fantasy-Shaw/H-STFormer。
引用
@article{arxiv.2310.08328,
title = {Transport-Hub-Aware Spatial-Temporal Adaptive Graph Transformer for Traffic Flow Prediction},
author = {Xiao Xu and Lei Zhang and Bailong Liu and Zhizhen Liang and Xuefei Zhang},
journal= {arXiv preprint arXiv:2310.08328},
year = {2024}
}
备注
Previous submissions on arxiv are early versions of this manuscript, the latest of which has been rejected by T-ITS. Incremental learning in this work requires more rigorous problem definition and more extensive experiments