GMAN:一种用于交通预测的图形多注意网络
GMAN: A Graph Multi-Attention Network for Traffic Prediction
论文参考代码Github:https://github.com/suu1994/GMAN
摘要
由于交通系统的复杂性和许多影响因素不断变化的性质,长期交通预测具有很大的挑战性。在本文中,我们关注时空因素,并提出一种图多注意网络(GMAN)预测道路网络图中不同位置的超前时间步长的交通状况。GMAN采用了一种编码器-解码器架构,其中编码器和解码器均由多个时空注意块组成,以模拟时空因素对交通状况的影响。 编码器对输入流量特征进行编码,解码器预测输出序列。在编码器和解码器之间,应用转换注意层来转换编码的流量特征,以生成未来时间步长的序列表示,作为解码器的输入。转换注意机制对历史时间步长和未来时间步长之间的直接关系进行建模,有助于缓解预测时间步长之间的误差传播问题。在两个实际交通预测任务(交通量预测和交通速度预测)上的实验结果表明了GMAN的优越性。特别是,在1小时前的预测中,GMAN的MAE测量值比最先进的方法提高了4%。
作者团队:厦门大学等
《GMAN: A Graph Multi-Attention Network for Traffic Prediction》
引用:Zheng, C., Fan, X., Wang, C., & Qi, J. (2020, April). Gman: