[Submitted on 20 Jun 2020]微信
摘要：
網絡
精確的實時交通預測是實現智能交通系統的一個核心技術問題。然而，考慮到交通流之間複雜的空間和時間依賴性，這仍然具備挑戰性。在空間維度上，因爲路網的連通性，相連道路之間的交通流密切相關。在時間因素方面，雖然相鄰時間點之間通常存在趨勢，但因爲交通流也受到外部因素的影響，遙遠的過去點的重要性不必定小於最近的過去點。在本研究中，提出了一種注意力時間圖卷積網絡(A3T-GCN)交通預測方法，以同時捕獲全局的時間動態和空間相關性。A3T-GCN模型利用門控遞歸單元學習時間序列中的短時趨勢，經過圖卷積網絡學習基於路網拓撲的空間依賴性。此外，引入了注意機制來調整不一樣時間點的重要性，並對全局時間信息進行集合，以提升預測精度。在真實數據集上的實驗結果證實了所提出的A3T-GCN的有效性和魯棒性。架構
圖1所示。A3T-GCN框架。咱們提出了A3T-GCN來實現流量預測。將城市道路網絡構建爲圖形網絡，將不一樣路段的交通狀態描述爲節點屬性。經過GCN獲取路網的拓撲特徵，獲得路網的空間依賴關係。經過GRU獲取節點屬性的動態變化，得到交通狀態的局部時間趨勢。經過注意力模型獲取交通狀態的全局變化趨勢，有利於實現準確的交通預測。框架
表1：T-GCN模型和其餘基線方法對SZ-taxi和Los-loop數據集的預測結果。svg
關注人工智能學術前沿 回覆 ：ts11oop
5秒免費獲取論文pdf文檔，及項目源碼性能
[Submitted on 6 Jul 2020]
flex
摘要：
在相關的時間序列數據中創建複雜的時空關聯對於理解交通動力學和預測一個進化交通系統的將來狀態是必不可少的。最近的工做集中在設計複雜的圖形神經網絡架構，以捕獲共享模式的幫助預約義的圖形。本文認爲，在可避免預約義圖的狀況下，學習節點特定模式對交通預測相當重要。爲此，咱們提出了兩個具備新功能的自適應加強圖卷積網絡(GCN)模塊: 1)節點自適應參數學習(NAPL)模塊，用於捕獲節點特定模式; 2)數據自適應圖生成(DAGG)模塊，自動推導出不一樣流量序列之間的依賴關係。咱們進一步提出了一種自適應圖卷積迴歸網絡(AGCRN)，以自動捕獲流量序列中細粒度的時空相關性。咱們在兩個真實流量數據集上的實驗1代表，在沒有預先定義空間鏈接圖的狀況下，AGCRN的性能明顯優於最早進的技術。
咱們建議增強與兩個自適應模塊的政府通信交通預測任務:
1)節點自適應參數學習(NAPL)模塊學習特定於節點的模式爲每一個交通系列NAPL因式分解的參數在傳統之下並生成特定於節點的參數從一個權重池和偏見池共享的全部節點根據節點嵌入;
2)數據自適應圖生成(DAGG)模塊，用於從數據中推斷節點嵌入(屬性)，並在訓練時生成圖。NAPL和DAGG是獨立的，能夠分別或聯合應用於現有的基於gcc的交通預測模型。模塊中的全部參數均可以經過端到端的方式輕鬆學習。
此外，咱們將NAPL和DAGG與遞歸網絡相結合，提出了一種統一的交通預測模型——自適應圖卷積遞歸網絡(AGCRN)。AGCRN可以捕捉到流量序列中細粒度節點特有的時空相關性，並將修正後的GCNs中的嵌入節點與DAGG中的嵌入節點統一塊兒來。所以，訓練AGCRN能夠爲每一個交通序列源(例如交通速度/流量的道路，乘客需求的站點/區域)生成有意義的節點表示向量。
表1:採用不一樣方法對PeMSD4數據集和PeMSD8數據集的整體預測性能，使用*的結果是在使用相同數據集時報告的性能，使用__的結果是基線取得的最佳性能。(值越小，性能越好)
在本文中，咱們提出用節點自適應參數學習和數據自適應圖生成模塊來加強傳統的圖卷積網絡，分別用於學習節點特定的模式和發現數據的空間相關性。在這兩個模塊的基礎上，咱們進一步提出了自適應圖卷積遞歸網絡，它能夠自動捕獲時間序列數據中特定節點的時空相關性，而無需預約義圖。在多步流量預測任務上的大量實驗證實了AGCRN和所提出的自適應模塊的有效性。這項工做經過從數據中推斷相互依賴性，闡明瞭在相關時間序列預測中應用基於GCN的模型，並揭示了學習特定節點的模式對於理解相關時間序列數據是必不可少的。
關注人工智能學術前沿 回覆 ：ts12
5秒免費獲取論文pdf文檔，及項目源碼
掃碼關注咱們
微信號 : AI_Frontiers
qq羣:966308496
今日頭條：人工智能學術前沿
知乎：人工智能學術前沿
本文分享自微信公衆號 - 人工智能學術前沿（AI_Frontier）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。