RGDAN:一个随机图形扩散注意力网络用于交通预测
Jin Fan1, Wenchao Weng2, Hao Tian3
1Department of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China; Zhejiang Provincial Key Laboratory of Industrial Internet in Discrete Industries, Hangzhou, China.
概括
这项研究引入了一个随机图谱扩散注意网络 (RGDAN),用于改进交通预测. RGDAN增强了空间和时间特征的提取,从而导致更准确的流量预测.
科学领域:
- 人工智能的人工智能
- 运输工程 运输工程
- 网络科学 网络科学
背景情况:
- 交通预测依赖于图形结构,但道路网络是复杂的,具有可变的时间特征.
- 目前的方法使用固定的权重 (例如距离),忽略了道路特征和交通流的相关性.
- 现有的模型往往忽略全球空间依赖性,并在有限的图形深度下难以提取信息.
研究的目的:
- 开发一个先进的模型,用于准确的交通预测.
- 解决空间特征提取和时间依赖模型的局限性.
- 提高复杂道路网络中交通流量预测的精度.
主要方法:
- 提出了一个新的随机图谱扩散注意网络 (RGDAN).
- RGDAN集成了一个图形扩散注意模块,用于自适应空间重量学习.
- 包含一个时间注意模块来捕捉时间相关性.
主要成果:
- 在三个大型公共数据集上,RGDAN表现出卓越的性能.
- 与最先进的方法相比,实现了2% - 5% 的更高预测精度.
- 有效地捕获了本地和全球空间依赖性和时间相关性.
结论:
- 在交通预测准确度方面,RGDAN提供了显著的进步.
- 该模型的自适应加权和注意力机制增强了空间和时间特征提取.
- 对于复杂的运输网络分析,RGDAN提供了更强大的解决方案.
