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

成为VIP会员查看完整内容
101

相关内容

图神经网络 (GNN) 是一种连接模型,它通过图的节点之间的消息传递来捕捉图的依赖关系。与标准神经网络不同的是,图神经网络保留了一种状态,可以表示来自其邻域的具有任意深度的信息。近年来,图神经网络(GNN)在社交网络、知识图、推荐系统、问答系统甚至生命科学等各个领域得到了越来越广泛的应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【AAAI2021】面向交通需求预测的耦合层图卷积
专知会员服务
42+阅读 · 2021年1月31日
【清华大学】图神经网络交通流预测综述论文,19页pdf
专知会员服务
41+阅读 · 2021年1月29日
【AAAI2021-斯坦福】身份感知的图神经网络
专知会员服务
37+阅读 · 2021年1月27日
【AAAI2021】记忆门控循环网络
专知会员服务
47+阅读 · 2020年12月28日
【AAAI2021】层次推理图神经网络
专知会员服务
67+阅读 · 2020年12月27日
专知会员服务
106+阅读 · 2020年12月21日
专知会员服务
44+阅读 · 2020年12月20日
专知会员服务
37+阅读 · 2020年11月24日
必读的7篇IJCAI 2019【图神经网络(GNN)】相关论文-Part2
专知会员服务
58+阅读 · 2020年1月10日
图数据表示学习综述论文
专知
51+阅读 · 2019年6月10日
Arxiv
3+阅读 · 2020年9月30日
Efficiently Embedding Dynamic Knowledge Graphs
Arxiv
14+阅读 · 2019年10月15日
Self-Attention Graph Pooling
Arxiv
5+阅读 · 2019年4月17日
Arxiv
23+阅读 · 2018年10月24日
VIP会员
相关VIP内容
【AAAI2021】面向交通需求预测的耦合层图卷积
专知会员服务
42+阅读 · 2021年1月31日
【清华大学】图神经网络交通流预测综述论文,19页pdf
专知会员服务
41+阅读 · 2021年1月29日
【AAAI2021-斯坦福】身份感知的图神经网络
专知会员服务
37+阅读 · 2021年1月27日
【AAAI2021】记忆门控循环网络
专知会员服务
47+阅读 · 2020年12月28日
【AAAI2021】层次推理图神经网络
专知会员服务
67+阅读 · 2020年12月27日
专知会员服务
106+阅读 · 2020年12月21日
专知会员服务
44+阅读 · 2020年12月20日
专知会员服务
37+阅读 · 2020年11月24日
必读的7篇IJCAI 2019【图神经网络(GNN)】相关论文-Part2
专知会员服务
58+阅读 · 2020年1月10日
微信扫码咨询专知VIP会员