Die Studie präsentiert ein neuartiges Modell für die räumlich-zeitliche Verkehrsprognose, die Progressive Graph Convolutional Networks (PGCN). Das Kernkonzept des Modells ist die Konstruktion progressiver Graphen, die sich während des Trainings- und Testprozesses an die Eingabedaten anpassen.
Zunächst wird die Ähnlichkeit zwischen den Knotensignalen mithilfe einer parametrisierten Kosinusähnlichkeit gemessen. Darauf aufbauend wird eine progressive Adjazenzmatrix konstruiert, die die zeitlich variierenden räumlichen Korrelationen widerspiegelt. Diese progressive Adjazenzmatrix wird dann zusammen mit einer dilatierten kausalen Konvolution verwendet, um sowohl räumliche als auch zeitliche Merkmale zu extrahieren.
Die Experimente auf sieben realen Datensätzen zeigen, dass das vorgeschlagene Modell konsistent die besten oder zweitbesten Ergebnisse erzielt. Im Gegensatz zu anderen Modellen, die auf bestimmten Datensätzen schlechter abschneiden, zeigt PGCN eine hohe Robustheit und Generalisierungsfähigkeit über verschiedene Anwendungsszenarien hinweg.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Yuyol Shin,Y... a las arxiv.org 03-22-2024
https://arxiv.org/pdf/2202.08982.pdfConsultas más profundas