概述:
交通预测是一个经典的时空预测问题,具有许多实际应用,如智能路线规划、动态交通管理和基于位置的智能应用。
由于交通数据的高度非线性和复杂性,近年来深度学习方法引起了人们的极大兴趣。然而,很少有方法能同时满足长期和短期的预测任务。针对现有研究的不足,在这篇论文中,我们提出了一个新的深度学习框架称为长期短期图卷积网络(LSGCN)处理两种流量预测任务。在这个框架中,我们提出了一个新的图注意网络cosAtt,并将cosAtt和图卷积网络(GCN)集成到一个空间门控块中。通过空间门控块和门控线性单元卷积(GLU), LSGCN可以有效地捕捉复杂的时空特征,获得稳定的预测结果。通过对三个真实流量数据集的实验验证了LSGCN的有效性。
主要创新:
(1)我们提出了一种新的深度学习框架LSGCN,用于长期和短期交通预测任务。在LSGCN中,我们采用空间门控块和门控线性单元卷积(GLU)分别捕捉空间和时间特征。
2.提出了一种新的图注意网络cosAtt,并将GCN和cosAtt集成到空间门控块中。
LSGCN结构,P和Q是1-D Conv的输出。delta代表sigmoid激活函数。
cosAtt模块内容: