面向交通预测的内蕴特征学习转置变分自编码器
机器学习
2022-12-16 v4 人工智能
摘要
在本技术报告中，我们给出针对Traffic4cast 2022核心挑战赛与扩展挑战赛的方案。该竞赛要求参赛者基于前一小时的车辆计数数据预测未来15分钟的交通状态。相较于同系列其他竞赛，本年聚焦于不同数据源的预测与稀疏顶点到边的泛化。为应对这些问题，我们引入转置变分自编码器（TVAE）模型以重建缺失数据，并采用图注意力网络（GAT）增强所学表示间的相关性。我们进一步应用特征选择从多样但易获取的数据中学习交通模式。我们的方案在最终排行榜上于两项挑战中均位列第一。源代码见\url{https://github.com/Daftstone/Traffic4cast}。
引用
@article{arxiv.2211.00641,
title = {Transposed Variational Auto-encoder with Intrinsic Feature Learning for Traffic Forecasting},
author = {Leyan Deng and Chenwang Wu and Defu Lian and Min Zhou},
journal= {arXiv preprint arXiv:2211.00641},
year = {2022}
}
备注
8 pages, 5 figures