【AAAI2021】时空融合图神经网络的交通流预测

由于不同道路间交通流时空分布格局具有复杂的空间相关性和动态趋势，交通流时空数据预测是一项具有挑战性的任务。现有框架通常利用给定的空间邻接图和复杂的机制为空间和时间相关性建模。然而，具有不完全邻接连接的给定空间图结构的有限表示可能会限制模型的有效时空依赖学习。此外，现有的方法在解决复杂的时空数据时也束手无策:它们通常利用独立的模块来实现时空关联，或者只使用独立的组件捕获局部或全局的异构依赖关系。为了克服这些局限性，本文提出了一种新的时空融合图神经网络(STFGNN)用于交通流预测。首先，提出一种数据驱动的“时序图”生成方法，以弥补空间图可能无法反映的几种现有相关性。SFTGNN通过一种新的时空图融合操作，对不同的时间段进行并行处理，可以有效地学习隐藏的时空依赖关系。同时，该融合图模块与一种新的门控卷积模块集成到一个统一的层中，SFTGNN可以通过层堆叠学习更多的时空依赖关系来处理长序列。在几个公共交通数据集上的实验结果表明，我们的方法达到了最先进的性能比其他基准一致。

https://arxiv.org/pdf/2012.09641.pdf