概述
由于道路类型不同、速度突变和道路之间的空间依赖关系,预测道路交通速度是一项具有挑战性的任务,需要对长时间输入序列中动态变化的道路之间的空间依赖关系和时间模式进行建模。提出了一种新的时空图注意(STGRAT)方法,有效地捕捉了道路网络中的时空动态。该方法的特点主要包括空间注意、时间注意和空间哨点向量。空间注意力获取图形结构信息(如道路之间的距离),根据道路状态动态调整空间相关性。时间注意力负责捕获交通速度变化,而哨点向量允许模型从空间相关的节点检索新的特征或保留现有的特征。实验结果表明,STGRAT的性能优于现有的模型,特别是在交通速度快速变化的困难条件下(如上下班高峰期)。此外,我们还提供了一个定性研究来分析在交通高峰时段STGRAT主要参与的时间和地点,以做出准确的预测。
主要创新:
1) STGRAT,有效地捕获输入序列的时空动态,2)一个新的self-attention模块与前哨向量帮助模型决定使用哪个功能,3)定量比较结果对现有的和最先进的模型,和4)定性的描述STGRAT使用注意随时间的变化和交通状况的信息。
编码器整体架构
x轴和y轴分别表示时间和层的数量。 左半块是L堆叠编码器,而右半块是L堆叠解码器。我们使用特殊的标记, ' [Start] ',表示解码阶段的起点。
单个编码器层由三个序列子层组成:空间注意层、时间注意层和点前馈神经网络。空间注意层在每个时间步长关注与中心节点在空间上相关的邻居节点,而时间注意层关注单个节点,