Разделённая динамическая пространственно-временная графовая нейронная сеть для прогнозирования дорожного движения

Мы все зависим от мобильности, а автомобильный транспорт влияет на повседневную жизнь большинства из нас. Поэтому возможность прогнозирования состояния дорожного движения в дорожной сети является важной функциональной возможностью и сложной задачей. Данные о дорожном движении часто получают с помощью датчиков, размещённых в дорожной сети. Недавние разработки в области пространственно-временных графовых нейронных сетей обеспечили значительный прогресс в моделировании сложных пространственно-временных корреляций в данных о дорожном движении за счёт представления этих данных как диффузионного процесса. Однако интуитивно данные о дорожном движении включают два различных типа скрытых временных рядов, а именно диффузионные и внутренне присущие сигналы. К сожалению, почти все предыдущие работы упрощённо рассматривают сигналы дорожного движения исключительно как результат диффузии, пренебрегая внутренне присущими сигналами, что отрицательно сказывается на эффективности моделей. Для повышения качества моделирования мы предлагаем новую разделённую пространственно-временную структуру (Decoupled Spatial-Temporal Framework, DSTF), которая отделяет диффузионную и внутренне присущую информацию о дорожном движении на основе данных и включает уникальный шлюз оценки и механизм остаточной декомпозиции. Разделённые сигналы могут последовательно обрабатываться отдельно диффузионным и внутренним модулями. Кроме того, мы предлагаем реализацию DSTF — разделённую динамическую пространственно-временную графовую нейронную сеть (Decoupled Dynamic Spatial-Temporal Graph Neural Network, D²STGNN), которая улавливает пространственно-временные корреляции и включает модуль динамического обучения графа, предназначенный для изучения динамических характеристик транспортных сетей. Обширные эксперименты на четырёх реальных наборах данных о дорожном движении показывают, что предложенная структура обеспечивает превосходство над современным уровнем методов.