Прогнозирование транспортных потоков с помощью пространственно-временной графовой нейронной сети

Анализ, прогнозирование и управление транспортными потоками являются ключевыми задачами при построении интеллектуальных городов в новую эпоху. Использование глубоких нейронных сетей и больших объемов данных о транспортном движении позволяет лучше понять скрытые закономерности сложных транспортных сетей. Динамика транспортного потока на одной дороге зависит не только от последовательных закономерностей во временном измерении, но и от других дорог в пространственном измерении. Хотя существуют исследования, посвященные прогнозированию будущего транспортного потока, большинство из них имеют определенные ограничения при моделировании пространственных и временных зависимостей. В данной работе предлагается новая пространственно-временная графовая нейронная сеть для прогнозирования транспортных потоков, способная комплексно учитывать пространственные и временные закономерности. В частности, предложенная архитектура использует обучаемый механизм позиционного внимания для эффективного агрегирования информации от соседних дорог. Кроме того, она включает последовательный компонент для моделирования динамики транспортных потоков, способный учитывать как локальные, так и глобальные временные зависимости. Результаты экспериментов на различных реальных наборах данных о транспортном движении демонстрируют эффективность предложенной архитектуры.