变分模式驱动的图卷积网络用于时空交通预测
机器学习
2025-07-22 v3
摘要
本文聚焦于基于图神经网络（GNN）的时空（ST）交通预测问题。鉴于时空数据包含非平稳和复杂的时序模式，解释和预测此类趋势本质上具有挑战性。将时空数据分解为可解释的模式有助于推断潜在行为并评估噪声对预测性能的影响。我们提出了一种框架，通过变分模式分解（VMD）将时空数据分解为可解释模式，并通过神经网络进行未来状态预测。不同于现有直接在原始或汇总后时间序列上 operate 的图基交通预测方法，本文提出的混合方法——变分模式图卷积网络（VMGCN）——首先通过重建损失最小化确定最优模式数，将非平稳信号分解为可解释的变分模式，然后通过一种新颖的注意力增强图卷积网络学习模式内及跨模式的时空依赖性。此外，我们还分析了每个模式的重要性以及带宽约束对多步交通流预测的影响。该方法的两阶段设计在保持频率层次可解释性的同时，显著提升了准确性，在LargeST数据集上实现了对短期和长期预测任务的优异性能。实现代码已公开于https://github.com/OsamaAhmad369/VMGCN。
引用
@article{arxiv.2408.16191,
title = {Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting},
author = {Osama Ahmad and Lukas Wesemann and Fabian Waschkowski and Zubair Khalid},
journal= {arXiv preprint arXiv:2408.16191},
year = {2025}
}
备注
ACM Transactions on Intelligent Systems and Technology (TIST) Submission, 2025