基于动态时空图CNNs的交通流预测，Dynamic Spatio-temporal Graph-based CNNs for Traffic Flow Prediction

题目： Dynamic Spatio-temporal Graph-based CNNs for Traffic Flow Prediction

摘要： 由于其时空结构的复杂性和动态性，预测未来交通流是一个具有挑战性的问题。大多数现有的基于图的CNN都试图捕捉静态关系，而忽略了序列数据下的动态关系。本文通过学习表达特征来表示时空结构，并从监控视频数据中预测未来的交通流，提出了一种基于动态时空图的神经网络(DST-GCNNs)。特别是，DST-GCNN是一个双流网络。在流量预测流中，我们提出了一种新的基于图形的时空卷积层来从流量的图形表示中提取特征。然后将几个这样的层叠加在一起来预测未来的流动。同时，随着交通条件的变化，图中交通流之间的关系往往是时变的。为了捕获图的动态，我们使用图预测流来预测动态图结构，并将预测的结构输入到流预测流中。在实际数据集上的实验表明，该模型与现有的方法相比具有较强的竞争能力。