基于图神经网络的统一时空建模用于交通预测
机器学习
2021-04-29 v2
摘要
近年来，利用深度学习模型预测交通强度因其能够捕捉交通数据中复杂的时空关系而受到广泛关注。然而，大多数最先进的方法设计了仅空间（如图形神经网络）和仅时间（如循环神经网络）模块，分别提取空间和时间特征。我们认为，使用这种分解模块提取复杂的时空关系效果较差。此外，大多数现有工作仅基于当天前一小时的交通数据来预测特定时间间隔的交通强度，从而忽略了可能存在于最后一小时数据中的每日/每周重复模式。因此，我们提出了一种用于交通预测的统一时空图卷积网络（USTGCN），该网络通过在时空图上进行谱图卷积，在不同时间戳节点间直接信息传播，实现空间和时间聚合。此外，它捕捉前几天的历史每日模式和当天的当前模式。最后，我们通过实验分析验证了工作的有效性，表明我们的 USTGCN 模型在来自性能测量系统（PeMS）的三个流行基准数据集上优于最先进的性能。而且，使用我们提出的 USTGCN 模型，训练时间显著减少。
引用
@article{arxiv.2104.12518,
title = {Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network},
author = {Amit Roy and Kashob Kumar Roy and Amin Ahsan Ali and M Ashraful Amin and A K M Mahbubur Rahman},
journal= {arXiv preprint arXiv:2104.12518},
year = {2021}
}
备注
Accepted for publication in International Joint Conference on Neural Networks (IJCNN-2021)