GMAN: Ein Graphen-Multi-Attention-Netzwerk für die Verkehrsprognose

Die langfristige Verkehrsprognose ist aufgrund der Komplexität von Verkehrssystemen und der ständig wechselnden Natur vieler beeinflussender Faktoren äußerst herausfordernd. In diesem Artikel konzentrieren wir uns auf räumlich-zeitliche Faktoren und stellen ein Graph-Multi-Attention-Netzwerk (GMAN) vor, das zur Vorhersage von Verkehrsbedingungen für zukünftige Zeitschritte an verschiedenen Orten in einem Straßennetzgraph verwendet wird. GMAN verwendet eine Encoder-Decoder-Architektur, bei der sowohl der Encoder als auch der Decoder aus mehreren räumlich-zeitlichen Aufmerksamkeitsblöcken bestehen, um die Auswirkungen räumlich-zeitlicher Faktoren auf die Verkehrsbedingungen zu modellieren. Der Encoder kodiert die Eingabeverkehrsmerkmale, während der Decoder die Ausgabefolge vorhersagt. Zwischen Encoder und Decoder wird eine Transform-Aufmerksamkeits-Schicht eingesetzt, um die kodierten Verkehrsmerkmale in Darstellungen zukünftiger Zeitschritte zu überführen, die als Eingabe für den Decoder dienen. Die Transform-Aufmerksamkeitsmechanik modelliert direkte Beziehungen zwischen historischen und zukünftigen Zeitschritten, was dazu beiträgt, das Problem der Fehlerfortpflanzung über die Vorhersagezeitschritte hinweg zu mildern. Experimentelle Ergebnisse auf zwei realen Verkehrsprognoseaufgaben (nämlich Verkehrsfluss- und Verkehrsgeschwindigkeitsvorhersage) belegen die Überlegenheit von GMAN. Insbesondere erreicht GMAN bei der Vorhersage für eine Stunde im Voraus eine Verbesserung von bis zu 4 % im MAE-Maß gegenüber aktuellen Spitzenmethoden. Der Quellcode ist unter https://github.com/zhengchuanpan/GMAN verfügbar.