STEGNN
摘要
随着智能交通系统(ITS)逐渐融入我们的日常生活,人们普遍认为路网预测是智能交通系统的杀手锏,具有很高的社会和经济效益。然而,目前的解决方案忽视了时空交通数据的异质性
,无法捕捉隐藏的时空相关性。本文介绍了 STEGNN:一种用于路网预测的新型时空嵌入图神经网络。STEGNN 的主要思想是利用余弦相似性生成高质量的时空图,从而填补了交通图时空相关性之间的空白
,其中包括:(i) 基于交通图的时空相似性构建时空图的新方法,这比以往方法所声称的时间序列测量相似性要精确得多;(ii) 先进的时空嵌入模型,通过利用时空图的特定排列来利用时空依赖性;以及 (iii) 有效的框架,通过混合多层图卷积和扩张卷积来理解广泛的时空特征,从而在长期内捕捉广泛的时空依赖性。通过将 STEGNN 应用于真实世界的交通图,对其进行了广泛的评估验证,结果表明 STEGNN 优于最先进的解决方案,对道路网络的预测更加准确。
索引词条-图神经网络、交通流量预测、时空图、图卷积