Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结
作者:Zulong Diao,Xin Wang, Dafang Zhang, Yingru Liu,Kun Xie, Shaoyao He,湖南大学计算机科学与电子工程学院
来源:AAAI-2019
论文链接:https://www.sci-hub.ren/10.1609/aaai.v33i01.3301890
或 https://download.csdn.net/download/zhaoyunduan1958/83960626
源码:???(未找到)
一、论文动机
在ITS的Traffic forecasting方面,目前已有许多理论研究工作。其中,traditional machine learning methods(ARMA,SVR等)是线性的,不适合处理多变的交通数据,预测准确率低;RNN和CNN不适用于不规则图形关系的数据点;GCNN利用光谱图理论,虽然可有效地处理非欧数据信号,在短时交通预测上很有效,但其假设Laplacian matrix严格不变且可用(adjacency matrix是常数),与现实中诸多外部因素(traffic accidents等)导致adjacency matrix和Laplacian matrix动态变化的事实相背,故使用固定的Laplacian matrix无法
Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结
于 2020-05-28 18:09:18 首次发布