Raum-Zeit-Grafen-ODE-Netzwerke für die Verkehrsflussvorhersage

Raumzeitliche Vorhersage hat in einer Vielzahl von Anwendungen erhebliche Aufmerksamkeit erlangt, wobei die Verkehrsflussvorhersage ein klassisches und typisches Beispiel darstellt. Die komplexe und langreichweitige raumzeitliche Korrelation des Verkehrsflusses stellt eine besonders herausfordernde Aufgabe dar. Bisherige Ansätze nutzen typischerweise flache Graph-Convolutional-Netzwerke (GNNs) und zeitliche Extraktionsmodule, um räumliche und zeitliche Abhängigkeiten jeweils getrennt zu modellieren. Allerdings ist die Repräsentationsfähigkeit solcher Modelle aufgrund zweier Hauptgründe begrenzt: (1) Flache GNNs sind nicht in der Lage, langreichweitige räumliche Korrelationen zu erfassen, und (2) es werden lediglich räumliche Verbindungen berücksichtigt, während eine Vielzahl semantischer Verbindungen vernachlässigt werden, die für ein umfassendes Verständnis von Verkehrsnetzen von großer Bedeutung sind. Um diesem Problem zu begegnen, schlagen wir Netzwerke basierend auf raumzeitlichen Graphen-Ordinären Differentialgleichungen (STGODE) vor. Konkret erfassen wir die raumzeitliche Dynamik mittels einer tensorbasierten gewöhnlichen Differentialgleichung (ODE), wodurch tiefere Netzwerke konstruiert und räumliche sowie zeitliche Merkmale gleichzeitig genutzt werden können. Um das Netzwerk umfassender zu verstehen, integrieren wir in unserem Modell eine semantische Adjazenzmatrix und verwenden eine gut gestaltete zeitliche dilatierte Faltungsstruktur zur Erfassung langfristiger zeitlicher Abhängigkeiten. Wir evaluieren unser Modell an mehreren realen Verkehrsdatensätzen und erreichen dabei eine überlegene Leistung im Vergleich zu aktuellen state-of-the-art-Baselines.