Графовые сверточные сети с пространственно-временным вниманием для прогнозирования транспортных потоков

Прогнозирование транспортных потоков является важной задачей для исследователей и практиков в области транспорта. Однако эта задача представляет значительную сложность, поскольку транспортные потоки обычно характеризуются высокой нелинейностью и сложными закономерностями. Большинство существующих методов прогнозирования транспортных потоков не способны моделировать динамические пространственно-временные взаимосвязи в данных о движении и поэтому не обеспечивают удовлетворительных результатов прогнозирования. В данной работе предложена новая модель графовой сверточной сети с пространственно-временным вниманием (ASTGCN) для решения задачи прогнозирования транспортных потоков. ASTGCN в основном состоит из трех независимых компонентов, каждый из которых моделирует одно из трех временных свойств транспортных потоков: зависимости, обусловленные недавними наблюдениями, суточной периодичностью и недельной периодичностью. В частности, каждый компонент включает две основные части: 1) механизм пространственно-временного внимания для эффективного выявления динамических пространственно-временных взаимосвязей в данных о движении; 2) пространственно-временную свертку, одновременно использующую графовые свертки для выделения пространственных закономерностей и стандартные свертки для описания временных признаков. Выходы трех компонентов объединяются с помощью взвешенного слияния для получения итоговых результатов прогнозирования. Эксперименты на двух наборах данных реального мира из Системы измерения эффективности транспортных потоков Калтранса (Caltrans Performance Measurement System, PeMS) показывают, что предложенная модель ASTGCN превосходит базовые методы, соответствующие современному уровню.