两篇图神经网络交通预测 |A3T-GCN:用于交通预测的注意力时间图卷积网络

A3T-GCN:用于交通预测的注意力时间图卷积网络

[Submitted on 20 Jun 2020]

摘要：

精确的实时交通预测是实现智能交通系统的一个核心技术问题。然而，考虑到交通流之间复杂的空间和时间依赖性，这仍然具有挑战性。在空间维度上，由于路网的连通性，相连道路之间的交通流密切相关。在时间因素方面，虽然相邻时间点之间一般存在趋势，但由于交通流也受到外部因素的影响，遥远的过去点的重要性不一定小于最近的过去点。在本研究中，提出了一种注意力时间图卷积网络(A3T-GCN)交通预测方法，以同时捕获全局的时间动态和空间相关性。A3T-GCN模型利用门控递归单元学习时间序列中的短时趋势，通过图卷积网络学习基于路网拓扑的空间依赖性。此外，引入了注意机制来调整不同时间点的重要性，并对全局时间信息进行集合，以提高预测精度。在真实数据集上的实验结果证明了所提出的A3T-GCN的有效性和鲁棒性。

图1所示。A3T-GCN框架。我们提出了A3T-GCN来实现流量预测。将城市道路网络构建为图形网络，将不同路段的交通状态描述为节点属性。通过GCN获取路网的拓扑特征，得到路网的空间依赖关系。通过GRU获取节点属性的动态变化，获得交通状态的局部时间趋势。通过注意力模型获取交通状态的全局变化趋势，有利于实现准确的交通预测。

表1：T-GCN模型和其他基线方法对SZ-taxi和Los-loop数据集的预测结果。

关注人工智能学术前沿 回复 ：ts11

5秒免费获取论文pdf文档，及项目源码

用于交通预测的自适应图卷积回归网络

[Submitted on 6 Jul 2020]

摘要：

在相关的时间序列数据中建立复杂的时空关联对于理解交通动力学和预测一个进化交通系统的未来状态是必不可少的。最近的工作集中在设计复杂的图形神经网络架构，以捕获共享模式的帮助预定义的图形。本文认为，在可避免预定义图的情况下，学习节点特定模式对交通预测至关重要。为此，我们提出了两个具有新功能的自适应增强图卷积网络(GCN)模块: 1)节点自适应参数学习(NAPL)模块，用于捕获节点特定模式; 2)数据自适应图生成(DAGG)模块，自动推导出不同流量序列之间的依赖关系。我们进一步提出了一种自适应图卷积回归网络(AGCRN)，以自动捕获流量序列中细粒度的时空相关性。我们在两个真实流量数据集上的实验1表明，在没有预先定义空间连接图的情况下，AGCRN的性能明显优于最先进的技术。

我们建议加强与两个自适应模块的政府通讯交通预测任务:

1)节点自适应参数学习(NAPL)模块学习特定于节点的模式为每个交通系列NAPL因式分解的参数在传统之下并生成特定于节点的参数从一个权重池和偏见池共享的所有节点根据节点嵌入;

2)数据自适应图生成(DAGG)模块，用于从数据中推断节点嵌入(属性)，并在训练时生成图。NAPL和DAGG是独立的，可以分别或联合应用于现有的基于gcc的交通预测模型。模块中的所有参数都可以通过端到端的方式轻松学习。

此外，我们将NAPL和DAGG与递归网络相结合，提出了一种统一的交通预测模型——自适应图卷积递归网络(AGCRN)。AGCRN能够捕捉到流量序列中细粒度节点特有的时空相关性，并将修正后的GCNs中的嵌入节点与DAGG中的嵌入节点统一起来。因此，训练AGCRN可以为每个交通序列源(例如交通速度/流量的道路，乘客需求的站点/区域)生成有意义的节点表示向量。

表1:采用不同方法对PeMSD4数据集和PeMSD8数据集的总体预测性能，使用*的结果是在使用相同数据集时报告的性能，使用__的结果是基线取得的最佳性能。(值越小，性能越好)

在本文中，我们提出用节点自适应参数学习和数据自适应图生成模块来增强传统的图卷积网络，分别用于学习节点特定的模式和发现数据的空间相关性。在这两个模块的基础上，我们进一步提出了自适应图卷积递归网络，它可以自动捕获时间序列数据中特定节点的时空相关性，而无需预定义图。在多步流量预测任务上的大量实验证明了AGCRN和所提出的自适应模块的有效性。这项工作通过从数据中推断相互依赖性，阐明了在相关时间序列预测中应用基于GCN的模型，并揭示了学习特定节点的模式对于理解相关时间序列数据是必不可少的。

关注人工智能学术前沿 回复 ：ts12

5秒免费获取论文pdf文档，及项目源码