论文题目: GMAN: A Graph Multi-Attention Network for Traffic Prediction

论文摘要:

由于交通系统的复杂性和影响因素的多变性,长期交通预测具有很大的挑战性。本文以时空因素为研究对象,提出了一种基于图的多注意网络(GMAN)来预测道路网络图中不同位置的时间步长下的交通状况。GMAN采用了编码器和解码器的结构,编码器和解码器都由多个时空注意块组成以模拟时空因素对交通条件的影响。编码器对输入流量进行编码,解码器对输出流量进行预测。在编码器和解码器之间,作为解码器的输入,应用转换保持层转换已编码的流量特征以生成未来时间步的序列表示。转换注意机制对历史时间步长和未来时间步长之间的直接关系进行建模,有助于缓解预测时间步长的误差传播问题。两个真实的交通预测任务的实验结果。,交通流量预测和交通速度预测)。特别地,在提前一小时的预测中,GMAN在MAE测量中比最先进的方法提高了4%。

论文作者:

范晓亮,高级工程师,硕导,数字福建城市交通大数据研究所副所长,数字福建健康医疗大数据研究所副所长。研究方向:城市感知与智能计算、医学数据隐私保护与人工智能应用。

戚建中目前就职于墨尔本大学计算与信息系统学院,从事数据科学研究。他们最近的出版物是“用智能模拟器研究交通问题”。

成为VIP会员查看完整内容
75

相关内容

范晓亮,高级工程师,硕导,数字福建城市交通大数据研究所副所长,数字福建健康医疗大数据研究所副所长。研究方向:城市感知与智能计算、医学数据隐私保护与人工智能应用。
【NeurIPS2019】图变换网络:Graph Transformer Network
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
大讲堂 | 基于医疗知识的疾病诊断预测
AI科技评论
10+阅读 · 2019年1月22日
直播 | 大讲堂:基于小波变换的图卷积神经网络
AI科技评论
8+阅读 · 2019年1月3日
使用LSTM模型预测股价基于Keras
量化投资与机器学习
34+阅读 · 2018年11月17日
魔都要用最先进的神经网络预测交通?前排围观
机器之心
8+阅读 · 2018年11月15日
【干货】PyTorch实例:用ResNet进行交通标志分类
GAN生成式对抗网络
9+阅读 · 2018年3月16日
Arxiv
5+阅读 · 2019年9月25日
Arxiv
7+阅读 · 2018年8月21日
VIP会员
相关VIP内容
相关资讯
【NeurIPS2019】图变换网络:Graph Transformer Network
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
大讲堂 | 基于医疗知识的疾病诊断预测
AI科技评论
10+阅读 · 2019年1月22日
直播 | 大讲堂:基于小波变换的图卷积神经网络
AI科技评论
8+阅读 · 2019年1月3日
使用LSTM模型预测股价基于Keras
量化投资与机器学习
34+阅读 · 2018年11月17日
魔都要用最先进的神经网络预测交通?前排围观
机器之心
8+阅读 · 2018年11月15日
【干货】PyTorch实例:用ResNet进行交通标志分类
GAN生成式对抗网络
9+阅读 · 2018年3月16日
微信扫码咨询专知VIP会员