Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction

要約

交通流を正確に予測することは、公共の安全やインテリジェント交通システムを含む多くの実際のアプリケーションにとって非常に重要です。
この問題の課題には、人々の動的な移動パターンと都市交通データの複雑な時空間相関の両方が含まれます。
一方、既存のモデルのほとんどは、さまざまな交通観測 (車両速度や道路占有率など) が交通流予測に及ぼす多様な影響を無視しており、異なる交通観測は入力特徴の異なるチャネルと見なすことができます。
私たちは、複数チャネルのトラフィック観測における分析が、この問題へのより適切な対処に役立つ可能性があると主張します。
この論文では、マルチチャネル交通流予測の新しい問題を研究し、チャネルごとの深い \underline{M}ulti-\underline{V}iew \underline{S}patio-\ を提案します。
これに効果的に対処するための、underline{T}emporal \underline{Net}work (MVC-STNet) モデル。
具体的には、まず、マルチビュー フュージョン モジュールを使用してローカルおよびグローバルの空間依存関係を効果的に抽出する、ローカライズおよびグローバル化された空間グラフを構築します。
次に、LSTM を使用して時間相関を学習します。
交通流予測に対するさまざまな交通観測のさまざまな影響を効果的にモデル化するために、チャネルごとのグラフ畳み込みネットワークも設計されています。
PEMS04 および PEMS08 データセットに対して広範な実験が行われます。
結果は、提案された MVC-STNet が最先端の方法を大幅に上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Accurately forecasting traffic flows is critically important to many real applications including public safety and intelligent transportation systems. The challenges of this problem include both the dynamic mobility patterns of the people and the complex spatial-temporal correlations of the urban traffic data. Meanwhile, most existing models ignore the diverse impacts of the various traffic observations (e.g. vehicle speed and road occupancy) on the traffic flow prediction, and different traffic observations can be considered as different channels of input features. We argue that the analysis in multiple-channel traffic observations might help to better address this problem. In this paper, we study the novel problem of multi-channel traffic flow prediction, and propose a deep \underline{M}ulti-\underline{V}iew \underline{C}hannel-wise \underline{S}patio-\underline{T}emporal \underline{Net}work (MVC-STNet) model to effectively address it. Specifically, we first construct the localized and globalized spatial graph where the multi-view fusion module is used to effectively extract the local and global spatial dependencies. Then LSTM is used to learn the temporal correlations. To effectively model the different impacts of various traffic observations on traffic flow prediction, a channel-wise graph convolutional network is also designed. Extensive experiments are conducted over the PEMS04 and PEMS08 datasets. The results demonstrate that the proposed MVC-STNet outperforms state-of-the-art methods by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google