SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction

交通流量预测是构建智慧城市的重要任务，也是典型的多元时间序列问题。最近的研究已经放弃了门控循环单元(GRU)，转而采用扩张卷积或时间切片进行特征提取，但它们存在以下缺点：(1)扩张卷积无法捕捉相邻时间步的特征，导致关键的过渡数据丢失。(2)同一时间切片内的连接强度很大，而不同时间切片之间的连接过于松散。鉴于这些限制，我们强调重复分析完整时间序列的重要性以及GRU在MTS中的关键作用。因此，我们提出了SGRU: 结构化门控循环单元，它包括结构化GRU层和非线性单元，以及多层时间嵌入以增强模型的拟合性能。我们在四个公开可用的加利福尼亚交通数据集PeMS03、PeMS04、PeMS07和PeMS08上进行了评估，用于回归预测。实验结果表明，我们的模型在平均改进方面分别超过了基线模型11.7%、18.6%、18.5%和12.0%。

本论文旨在解决交通流预测中的Multivariate Time Series (MTS) Problem，提出了一种新的模型SGRU来提高预测性能。

SGRU模型包括结构化的GRU层和非线性单元，以及多层时间嵌入，重复分析完整的时间序列以提高拟合性能。

实验结果表明，SGRU模型在四个公开数据集上的表现均优于基准模型，平均提高了11.7％，18.6％，18.5％和12.0％。该论文使用了加州的四个交通数据集，并开源了代码。

近期相关研究包括使用dilated convolutions或temporal slicing进行特征提取，但这些方法存在一些局限性。