非端到端的自适应图表学习用于多尺度的时间流量预测.

科学领域:

• 运输科学 运输科学
• 人工智能的人工智能
• 网络分析 网络分析

背景情况:

• 准确的流量预测对于智能交通系统 (ITS) 至关重要.
• 现有的预测模型与多尺度的时间相互作用和固定的空间图形结构作斗争.
• 在当前的方法中进行端到端的训练可能会导致低于最佳的参数优化和有限的性能增长.

研究的目的:

• 开发一个先进的非端到端的自适应图形学习算法,用于流量预测.
• 克服在道路网络中捕捉复杂的时间依赖和空间关系方面的局限性.
• 提高交通流预测模型的预测准确度和整体性能.

主要方法:

• 提出了一个非端到端的自适应图形学习算法,包含多个尺度的时间注意力和卷积模块.
• 在培训期间引入了一种新的图形学习模块,用于在培训期间发现自适应节点相关性.
• 实现了预测和图形学习模块的替代优化,并更新了动态图形结构.

主要成果:

• 提出的方法显著提高了PeMSD4和PeMSD8数据集的预测准确性.
• 除研究证实了单个模块 (多尺度时间提取,自适应图学习) 的有效性.
• 可视化验证了动态生成的图形结构的合理性.

结论:

• 适应式图形学习算法有效地捕获复杂的依赖关系,以改善流量预测.
• 非端到端的方法与替代优化增强模型性能.
• 动态图形结构的学习对于建模道路网络中复杂的空间关系至关重要.