ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

STGNN:【2020顶会www】基于时空图神经网络的交通流预测

2020-10-23 17:04:24  阅读:1068  来源: 互联网

标签:交通流 STGNN www 框架 transformer 神经网络 时间


 

【2020顶会www】基于时空图神经网络的交通流预测

皇德华叫兽 皇德华叫兽 西安电子科技大学 计算机学院博士在读

概述

交通流分析、预测和管理是新时期建设智慧城市的关键。借助深层神经网络和大交通数据,我们可以更好地了解隐藏在复杂交通网络中的潜在模式。一条道路交通流的动态不仅在时间维度上依赖于序列模式,在空间维度上也依赖于其他道路。虽然已有预测未来交通流的研究工作,但大多数研究在建模空间和时间依赖性方面存在一定的局限性。本文提出了一种新的交通流预测空间时态图神经网络,它能全面地捕捉空间和时态模式。特别是,该框架提供了一个可学习的位置注意机制,以有效地聚集来自邻近道路的信息。同时,为交通流动态建模提供了时序组件,利用了局部和全局的时间依赖关系。在各种真实交通数据集上的实验结果证明了该框架的有效性。

主要的贡献:

  1. 提出了一种新的具有位置注意机制的图神经网络层,以更好地聚合邻近道路的交通流信息;
  2. 结合了递归网络和变换层,以捕获局部和全局的时间依赖性;
  3. 提出了一个新的时空GNN框架STGNN,该框架专门用于建模具有复杂拓扑和时间依赖性的系列数据;

模型

主要由三部分组成:1)空间图形神经网络(S-GNN)层,其目的是通过交通网络捕捉道路之间的空间关系;2) GRU层,按顺序捕获时间关系(或局部时间依赖);3) transformer层,其目的是直接捕捉序列中的长程时间依赖(或全局时间依赖)。

模型框架

模型中多次使用的基础图卷积模块S-GNN

相似性计算函数:

上面的架构主要考虑的问题就是使用GRU架构去捕捉local temporal info,然后介绍下面使用transformer去处理global temporal info

最后使用一个多头注意力机制

最后是transformer的常用操作手段,在我们计算的结果后面加上position encoding。

最后是输出层与训练函数,经过transformer layer以后,我们得到的输出是H,在经过一个多层神经网络输出Y,也就是最后的预测结果。

实验结果

对比于DCRNN,STGNN取得的效果是较好的。

更多相关专业文章,欢迎关注公众号!

http://weixin.qq.com/r/FkwkPGPE4z6crSdf9xkE (二维码自动识别)

发布于 09-11

 

标签:交通流,STGNN,www,框架,transformer,神经网络,时间
来源: https://www.cnblogs.com/cx2016/p/13865030.html

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有