Dynamisches Graph-Convolutional Recurrent Network für Verkehrsprognose: Benchmark und Lösung

Verkehrsprognose ist die Grundlage eines intelligenten Verkehrssystems. Genauere Verkehrsprognosen sind entscheidend für Anwendungen in intelligenten Städten, beispielsweise im Bereich intelligenter Verkehrssteuerung und Stadtplanung. Obwohl verschiedene Ansätze für die raumzeitliche Modellierung vorgeschlagen wurden, berücksichtigen diese die dynamischen Korrelationen zwischen Orten in Straßennetzen oft nicht ausreichend. Gleichzeitig sind die meisten auf rekurrenten neuronalen Netzen (RNN) basierenden Methoden aufgrund ihrer rekurrenten Berechnungsoperationen nicht ausreichend effizient. Darüber hinaus besteht ein gravierender Mangel an fairen Vergleichen zwischen verschiedenen Ansätzen auf denselben Datensätzen. Um diese Herausforderungen zu bewältigen, schlagen wir in diesem Artikel einen neuen Ansatz zur Verkehrsprognose vor, namens Dynamic Graph Convolutional Recurrent Network (DGCRN). In DGCRN werden Hyper-Netze entworfen, um dynamische Eigenschaften aus Knotenattributen zu nutzen und zu extrahieren, während die Parameter dynamischer Filter zu jedem Zeitpunkt generiert werden. Anschließend werden die Knoten-Embeddings gefiltert und zur Erzeugung eines dynamischen Graphen verwendet, der mit einem vordefinierten statischen Graphen integriert wird. Soweit uns bekannt ist, sind wir die Ersten, die einen Generationsansatz einsetzen, um die fein strukturierte Topologie des dynamischen Graphen zu jedem Zeitpunkt zu modellieren. Darüber hinaus verbessern wir Effizienz und Leistung durch eine spezielle Trainingsstrategie für DGCRN, bei der die Anzahl der Iterationen im Decoder während Vorwärts- und Rückwärtspropagation begrenzt wird. Schließlich stellen wir einen reproduzierbaren, standardisierten Benchmark sowie einen neuartigen, repräsentativen Verkehrsdatensatz zur Verfügung, um faire Vergleiche und weitere Forschung zu ermöglichen. Umfassende Experimente an drei Datensätzen zeigen, dass unser Modell konsistent 15 Baseline-Methoden übertrifft.