【2020顶会IJCAI】利用图卷积网络进行长短期流量预测

 

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：