Графовые сверточные сети с пространственно-временным вниманием для прогнозирования транспортных потоков
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
2019-07-17
SCID: 54.1/g7tyxp58
Discuss with AI
система измерения эффективности Caltrans (PeMS)графовые сверткипространственно-временной механизм вниманияпространственно-временные графовые сверточные сетипрогнозирование транспортных потоков
Figures from the paper
Abstract (AI)
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.
Key Findings
1
ASTGCN прогнозирует транспортные потоки, моделируя динамические пространственно-временные зависимости с помощью графовой сверточной архитектуры с механизмом внимания.
2
Каждый компонент объединяет пространственно-временное внимание, графовые свертки для пространственных закономерностей и стандартные свертки для временных признаков.
3
Эксперименты на двух реальных наборах данных Caltrans PeMS показывают, что ASTGCN превосходит современные базовые методы.
4
Выходы трех временных компонентов взвешиваются и объединяются для формирования итоговых прогнозов транспортного потока.
5
Модель использует три независимых компонента для учета недавних, суточных и недельных периодических зависимостей транспортных потоков.
Research Object
Временные ряды потоков дорожного движения с дорожных датчиков/в сети (пространственно–временные данные трафика)
Research Subject
их нелинейные пространственно-временные закономерности и динамические пространственно-временные корреляции с учётом недавних, суточно-периодических и недельно-периодических зависимостей для прогнозирования
Publication Details
Publication Date
2019-07-17
Journal
Publisher
ISSN
Cited by
4142
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Глубокое остаточное обучение для распознавания изображений2016
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025
Работы, цитирующие эту статью9
Всеобъемлющий обзор графовых нейронных сетей2020
Графовые нейронные сети: обзор методов и приложений2020
Графовые нейронные сети: обзор методов и приложений2018
Пространственно-временные графовые нейронные сети для предиктивного обучения в городской информатике: обзор2023
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
Разделённая динамическая пространственно-временная графовая нейронная сеть для прогнозирования дорожного движения2022
Графовые нейронные сети для интеллектуальных транспортных систем: обзор2023
Вычисления для графовых нейронных сетей: обзор от алгоритмов до ускорителей2021
Обзор методов обучения представлений графов2023