摘要
https://arxiv.org/abs/2205.08689
精确的交通预测对于城市交通控制、路线规划和流量检测都是至关重要的。虽然目前提出了许多时空分析方法，但在同步捕捉交通数据的时空依赖性方面仍有不足。此外，大多数方法都忽略了道路网络节点之间随着时间演变而产生的隐藏动态关联。我们提出了一种基于神经网络的时空交互动态图卷积网络(STIDGCN)来解决上述交通预测的挑战。具体而言，我们提出了一种交互式动态图卷积结构，该结构将交通数据按间隔分割，并通过交互式学习策略同步捕获分割后的交通数据的时空依赖性。交互式学习策略激励STIDGCN对长期预测有效。我们还提出了一个动态图卷积模块，通过一种新颖的动态图生成方法来捕获交通网络中动态变化的空间相关性。动态图生成方法基于先验知识和输入数据，生成动态图结构，可以挖掘道路网络中不可见的节点连接，模拟节点之间随时间的动态关联。在四个真实的交通流数据集上的大量实验表明，STIDGCN优于最先进的基线。
简介
借助从道路、出租车、私家车轨迹、公共交通交易记录等传感器收集到的海量城市交通数据，大交通数据分析已成为智慧城市发展[1]中交通规划、控制和状态评估不可或缺的一部分。交通预测是利用观测到的历史交通数据对城市动态进行预测，是流量控制、路线规划、流量检测等交通服务的关键。准确的交通预测有助于减少道路拥堵，促进交通路网的城市管理，甚至提高交通效率。
尽管在过去的几十年里，交通预测一直是一个活跃的研究热点，人们在这一领域做了大量的研究来提高预测性能，但它仍然面临着一些挑战。交通数据是具有复杂时间相关性和动态空间相关性的时空数据。城市交通数据作为一种时