DetectorNet: Transformer-enhanced Spatial Temporal Graph Neural Network for Traffic Prediction

高覆盖度的检测器在路径规划和避免交通拥堵方面为道路使用者带来直接和深远的好处，但利用这些数据面临独特的挑战，包括:动态时间相关性和道路状况变化引起的动态空间相关性。现有工作虽然考虑了时空关联建模的意义，但所学到的仍然是静态的路网结构，无法反映道路的动态变化，最终丢失了很多有价值的潜在信息。为了应对这些挑战，我们提出了Transformer增强的DetectorNet。与以往的研究不同，该模型包含多视角时间注意力模块和动态注意力模块，分别通过动态更新学习到的知识来关注长距离和短距离时间相关性以及动态空间相关性，从而进行准确的预测。另外，在2个公开数据集上的实验结果和4个消融实验的对比结果表明，DetectorNet的性能优于11个高级基准。

问题：

基于检测器网络的流量预测问题面临着许多挑战。具体可分为以下几点:(a)动态空间相关性。(b)动态时间相关性。(c)复杂时空相关性。

方法：

为了克服上述问题，更好地解决基于检测器网络的交通预测问题，我们将重点放在以下两个方面:(1)深入考虑道路关系的动态性。孤立地考虑道路之间的距离和空间位置，从交通数据中学习到固定的关系是不够的，更不能反映道路关系的变化。(2)多角度考虑道路的时间依赖性。通过长距离、中距离和长距离视点的历史观测数据分别挖掘时间相关性，证明了该方法的有效性。但是在监测网络中很少考虑这一点。综上所述，多角度考虑历史交通状况可以更好地预测未来的交通状况。在此基础上，提出了一种有效的基于图的流量预测模型DetectorNet