A3T-GCN: Attention Temporal GraphConvolutional Network for Traffic Forecasting 总结
作者:Jiawei Zhu, Yujiao Song, Lin Zhao and Haifeng Li
来源:arXiv:2006.11583v1 [cs.LG] 20 Jun 2020
代码:https://github.com/lehaifeng/T-GCN/A3T
1 论文动机
复杂的时空依赖性,使得交通流预测存在一些挑战:在空间维度上,由于路网的连通性,连接道路之间的交通流密切相关;在时间维度上,受到外部因素的影响,虽然通常相邻时间点之间存在趋势,但远过去点的重要性不一定小于最近过去点的重要性。论文提出一种注意时间图卷积网络(A3T-GCN)模型,它由GCNs和GRUs组成,可同时捕获全局时间动态和空间相关性:GRU学习时间序列短时趋势,GCN学习基于道路网络拓扑的空间依赖性;同时,论文引入注意机制调整不同时间点的重要性,并集合全局时间信息,以提高预测精度。
2 论文创新
A3T-GCN在T-GCN的基础上,引入注意力机制,调整不同时间点的重要性,并收集全局时间信息,以提高预测精度,获取交通状态的全局变化趋势,获得更精准的预测精度。
3 论文模型