.png){kind=icon}
返回
TSFusion: Multi-Grained Temporal-Spatial Graph Learning for Stable Traffic Flow Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1049/cmu2.70150.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时变交通流预测在智能交通系统和智慧城市中发挥着关键作用。然而，动态交通流预测是一个具有复杂时空依赖性的高度非线性问题。尽管现有方法为挖掘复杂交通网络中的时空模式做出了巨大贡献，但它们无法编码全局时空模式，并且容易在预定义的地理相关性上过拟合，从而阻碍了模型在复杂交通环境中的鲁棒性。为解决这一问题，本研究提出了一种多粒度时空图学习框架TSFusion，通过带有残差连接技术的定制化门控融合单元，自适应地将图转换器编码器获取的全局时空模式与图卷积获取的局部模式进行增强。在这种情况下，我们提出的模型能够挖掘各监测站点之间的隐藏全局时空关系，并平衡局部和全局时空模式的重要性。实验结果表明，我们提出的方法具有强大的表示能力，且模型在各种真实交通网络上始终优于其他强大的基线（MAE提升超过11.5%）。
Keyword:
graph theory
intelligent transportation systems
learning (artificial intelligence)
期刊
IF:
1.6
论文数:
137
被引数:
2.9K
机构
引用论文
暂无论文信息