Schrittweise Verbesserung der Leistung von Graph WaveNet bei der Verkehrsprognose

Wir präsentieren eine Reihe von Modifikationen, die die zuvor bestmögliche Leistung von Graph WaveNet beim Verkehrsprognosetask METR-LA verbessern. Ziel dieses Tasks ist die Vorhersage der zukünftigen Verkehrsgeschwindigkeit an jedem Sensor innerhalb eines Netzwerks anhand der vergangenen Stunde an Sensorwerten. Graph WaveNet (GWN) ist ein spatio-temporaler Graph-Neurales-Netzwerk-Ansatz, der Graph-Convolutionen zur Aggregation von Informationen von benachbarten Sensoren und dilatierte Convolutionen zur Aggregation von Informationen aus der Vergangenheit abwechselnd einsetzt. Wir verbessern GWN durch (1) die Verwendung besserer Hyperparameter, (2) die Einführung zusätzlicher Verbindungen, die größere Gradienten zurück zu den frühen konvolutionellen Schichten ermöglichen, und (3) ein Vortraining auf einer einfacheren Kurzzeit-Verkehrsprognose-Aufgabe. Diese Modifikationen senken den mittleren absoluten Fehler auf dem METR-LA-Task um 0,06, was nahezu der Verbesserung entspricht, die GWN gegenüber seinem Vorgänger erzielt hat. Diese Verbesserungen zeigen sich auch auf dem PEMS-BAY-Datensatz, wobei die relative Verbesserung vergleichbar ist. Zudem zeigen wir, dass die Ensemblebildung getrennter Modelle für Kurz- und Langzeitprognosen die Gesamtleistung weiter steigert. Der Quellcode ist unter https://github.com/sshleifer/Graph-WaveNet verfügbar.