Make Graph Neural Networks Great Again: A Generic Integration Paradigm of Topology-Free Patterns for Traffic Speed Prediction

城市交通速度预测旨在估计未来的交通速度，以改善城市交通服务。为了建模交通速度演化模式的空间相关性和时间依赖性，以及规范化图拓扑，人们已经做出了巨大的努力，利用图神经网络（GNNs）。尽管取得了有希望的结果，但当前的交通速度预测方法仍然忽略了无拓扑模式，这些模式无法被GNNs捕捉到。为了解决这个挑战，我们提出了一个通用模型，使当前基于GNN的方法能够保留无拓扑模式。具体来说，我们首先开发了一个双重交叉尺度变换器（DCST）架构，包括一个空间变换器和一个时间变换器，分别用于保留跨尺度的无拓扑模式和相关动态。然后，为了进一步整合拓扑规范/无拓扑模式，我们提出了一个蒸馏式学习框架，其中现有的基于GNN的方法被视为教师模型，而提出的DCST架构被视为学生模型。教师模型将学习到的拓扑规范模式注入到学生模型中，以整合无拓扑模式。广泛的实验结果证明了我们方法的有效性。

本论文旨在解决城市交通速度预测中忽略无拓扑模式的问题，提出了一种新的模型来保留无拓扑模式。

该论文提出了一个双重交叉尺度变换器（DCST）架构，包括空间变换器和时间变换器，以保留跨尺度无拓扑模式和相关动态。同时，该论文提出了一种蒸馏式学习框架，将现有的基于GNN的方法视为教师模型，将所提出的DCST架构视为学生模型，将学习到的拓扑规则化模式注入学生模型，以整合无拓扑模式。

该论文通过实验验证了所提出方法的有效性，并使用了多个数据集进行测试。该论文的代码已经开源，为后续的研究提供了便利。

最近的相关研究包括：1.《Graph Convolutional Networks for Traffic Forecasting: A Deep Learning Framework》；2.《A Comprehensive Survey on Graph Neural Networks》；3.《Graph Attention Networks》等。