Dynamic Graph Convolution Network with Spatio-Temporal Attention Fusion for Traffic Flow Prediction

要約

正確でリアルタイムの交通状況予測は、都市交通管制および Web マッピング サービス (Google マップなど) にとって実用上非常に重要です。
膨大なデータのサポートにより、ディープ ラーニング手法は、道路網の複雑な時空間パターンを捉える強力な能力を示しています。
ただし、既存のアプローチでは、独立したコンポーネントを使用して時間的および空間的な依存関係をモデル化しているため、時間と空間によって変化するトラフィック フローの異種特性を無視しています。
この論文では、時空間注意融合を備えた新しい動的グラフ畳み込みネットワークを提案します。
この方法は、時間とともに変化する局所的な時空間情報をキャプチャするだけでなく、時間的注意と空間的注意の融合メカニズムに基づいて、長距離およびマルチスケールの時空間パターンを包括的にモデル化します。
このデザイン アイデアは、モデルの時空間認識を大幅に向上させることができます。
4 つの実世界のデータセットで大規模な実験を行い、22 のベースライン モデルと比較して、モデルが最先端のパフォーマンスを達成することを実証します。

要約(オリジナル)

Accurate and real-time traffic state prediction is of great practical importance for urban traffic control and web mapping services (e.g. Google Maps). With the support of massive data, deep learning methods have shown their powerful capability in capturing the complex spatio-temporal patterns of road networks. However, existing approaches use independent components to model temporal and spatial dependencies and thus ignore the heterogeneous characteristics of traffic flow that vary with time and space. In this paper, we propose a novel dynamic graph convolution network with spatio-temporal attention fusion. The method not only captures local spatio-temporal information that changes over time, but also comprehensively models long-distance and multi-scale spatio-temporal patterns based on the fusion mechanism of temporal and spatial attention. This design idea can greatly improve the spatio-temporal perception of the model. We conduct extensive experiments in 4 real-world datasets to demonstrate that our model achieves state-of-the-art performance compared to 22 baseline models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google