【论文标题】Spatial-Temporal Conv-sequence Learning with Accident Encoding for Traffic Flow Prediction

【作者团队】 Zichuan Liu, Rui Zhang, Chen Wang, Hongbo Jiang

【发表时间】2021/05/21

【机 构】武汉科技大学，华中科技大学，湖南大学

【论文链接】https://arxiv.org/pdf/2105.10478.pdf

 

【推荐理由】本文出自武汉科技大学&华中科技大学&湖南大学，针对当前交通预测方法并未完全利用交通系统中的时空动态信息，提出了时空卷积序列学习（STCL）方法，并对现实问题做了大量测试，证明该方法的有效性。

 

在智能交通系统中，交通预测的关键问题是如何提取周期性的时间相关性和复杂的空间相关性。当前用于交通流预测的最新方法基于图体系结构和序列学习模型，但是它们并未完全利用交通系统中的时空动态信息。具体来说，因为卷积操作使用全局平均池,短距离的时间依赖性通过递归神经网络被稀释，并且现有的序列模型忽略了局部空间信息。此外，在对象转换期间还会发生一些交通事故，导致现实世界中的拥塞，从而触发预测偏差的增加。为了克服这些挑战，本文提出了时空卷积序列学习（STCL），其中集中的时态块使用单向卷积有效捕获短期周期性时态依赖，而时空融合模块能够提取两种交互的依存关系，并减小了特征尺寸。此外，事故特征对本地交通拥堵有影响，位置编码可用于检测复杂交通情况下的异常情况。本文对大规模的现实世界任务进行了广泛的实验，并验证了提出的方法的有效性。

 

总体来说，本文的贡献主要有以下三点：

1）在STCL中，我们应用新提出的STFM来代替全局平均池化，从而可以提取交互的依存关系并减小特征维。 同时，建议FT-block专注于通过高性能前向预测捕获短时时间信息；

2）事故特征影响当地交通拥堵，在复杂交通情况下采用位置编码来检测异常；

3）通过大量实验，将模型与基于大型现实数据集的基于神经网络的三种典型基线和六种不同方法进行比较，实验结果表明模型可以出色地胜过其他最新方法。

 

图1 时空卷积学习（STCL）的体系结构

 

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