WEST GCN-LSTM：用于区域交通预测的加权堆叠时空图神经网络
机器学习
2024-05-02 v1 人工智能
摘要
区域交通预测是城市交通中的一个关键挑战，其应用遍及万物互联等多个领域。近年来，时空图神经网络在众多交通预测挑战中取得了最先进的结果。本工作旨在扩展传统的时空图神经网络架构，以便于纳入关于所研究区域及其穿行人群的信息，从而建立更高效的预测模型。这项科学研究的最终产品是一种新颖的时空图神经网络架构，称为WEST（加权堆叠）GCN-LSTM。此外，上述信息的纳入是通过两种新颖的专用算法进行的，这两种算法被称为共享边界策略和可调跳数策略。通过信息融合和蒸馏，所提出的解决方案在由19个预测模型组成的实验评估框架中，在多个数据集上显著优于其竞争对手。最后，一项额外的消融研究确定，所提出解决方案的每个组成部分都有助于提升其整体性能。
引用
@article{arxiv.2405.00570,
title = {WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting},
author = {Theodoros Theodoropoulos and Angelos-Christos Maroudis and Antonios Makris and Konstantinos Tserpes},
journal= {arXiv preprint arXiv:2405.00570},
year = {2024}
}