Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика

Своевременное и точное прогнозирование транспортных потоков имеет важное значение для управления городским движением и его регулирования. Из-за высокой нелинейности и сложности транспортных потоков традиционные методы не удовлетворяют требованиям задач средне- и долгосрочного прогнозирования и часто не учитывают пространственные и временные зависимости. В данной работе предлагается новая платформа глубокого обучения — пространственно-временные графовые сверточные сети (Spatio-Temporal Graph Convolutional Networks, STGCN), предназначенная для решения задачи прогнозирования временных рядов в области транспорта. В отличие от обычных сверточных и рекуррентных блоков, мы формулируем задачу на графах и строим модель на основе полностью сверточных структур, что обеспечивает значительно более высокую скорость обучения при меньшем числе параметров. Эксперименты показывают, что модель STGCN эффективно выявляет совокупные пространственно-временные корреляции посредством моделирования многоуровневых транспортных сетей и стабильно превосходит базовые методы, соответствующие современному уровню, на различных наборах данных о реальном транспортном движении.