Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction

要約

正確かつリアルタイムの交通状態予測は、都市交通管制や Web マッピング サービスにとって実用上非常に重要です。
大量のデータのサポートにより、深層学習手法は、交通ネットワークの複雑な時空間パターンを捕捉す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、事前定義されたグラフと単純な時空間コンポーネントのセットが使用されるため、マルチスケールの時空間依存関係をモデル化することが困難になります。
この論文では、このギャップに取り組むために、アテンションフュージョン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。
この方法では、まず時間的特徴次元の相互作用を強化し、次に動的グラフ学習器と GRU を組み合わせて、時空間の同期相関を共同でモデル化します。
また、長距離の多面的なドメインの時空間パターンを効果的に捕捉するための時空間注意モジュールも組み込んでいます。
私たちは 4 つの現実世界の交通データセットで広範な実験を実施し、私たちの手法が 18 のベースライン手法と比較して最先端のパフォーマンスを上回ることを実証しました。

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. With the support of massive data, deep learning methods have shown their powerful capability in capturing the complex spatialtemporal patterns of traffic networks. However, existing approaches use pre-defined graphs and a simple set of spatial-temporal components, making it difficult to model multi-scale spatial-temporal dependencies. In this paper, we propose a novel dynamic graph convolution network with attention fusion to tackle this gap. The method first enhances the interaction of temporal feature dimensions, and then it combines a dynamic graph learner with GRU to jointly model synchronous spatial-temporal correlations. We also incorporate spatial-temporal attention modules to effectively capture longrange, multifaceted domain spatial-temporal patterns. We conduct extensive experiments in four real-world traffic datasets to demonstrate that our method surpasses state-of-the-art performance compared to 18 baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google