中南大学 | AST-GCN: 基于属性增强时空图卷积网络的交通预测

【标题】AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting 【作者团队】Jiawei Zhu, Chao Tao, Hanhan Deng, Ling Zhao, Pu Wang, Tao Lin, Haifeng Li 【发表时间】2020.11.22 【论文链接】https://arxiv.org/pdf/2011.11004.pdf 【论文代码】 【推荐理由】 针对传统城市交通预测模型无法综合考虑影响交通状态的外部因素的问题，提出一种属性增强的时空图卷积模型AST-GCN。该模型不仅可以集成静态外部信息，还可以集成动态外部数据。通过与基线方法的比较，预测结果验证了在交通预测任务中考虑外部信息的重要性。此外，本文采用扰动分析来检验模型的鲁棒性。 交通预测是智能交通领域的一项基础性和挑战性的任务。准确的预测不仅依赖于历史交通流量信息，还需要考虑各种外部因素的影响，如天气条件和周围POI分布。近年来，集成图卷积网络和递归神经网络于一体的时空模型已经成为交通预测研究的热点，并取得了重大进展。然而，很少有研究整合了外部因素。因此，基于引入外部因素可以提高预测流量的时空准确性和提高可解释性的假设，本文提出了一种属性增强的时空图卷积网络（AST-GCN）。本文将外部因素建模为动态属性和静态属性，并设计一个属性增强单元来对这些因素进行编码并将其集成到时空图卷积模型中。在真实数据集上的实验表明，与传统的交通预测方法相比，考虑交通预测任务的外部信息的有效性。此外，在不同的属性增强方案和预测范围设置下，AST-GCN的预测精度要高于基线。 图 2：AST-GCN交通预测模型结构

内容中包含的图片若涉及版权问题，请及时与我们联系删除