【报告内容】

汇报人：翁紫阳

汇报单位：河海大学

主题：《Learning Dynamics and Heterogeneity of Spatial-Temporal Graph Data for Traffic Forecasting》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

最小化TE精确的交通预测对于提高智能交通系统在安全性、稳定性和效率方面至关重要。尽管经过多年的研究，精确的交通预测仍然面临以下挑战，包括沿时间和空间维度对交通数据动态性的建模，以及捕捉交通数据的周期性和空间异质性，长期预测的问题更加困难。

2、相关创新方案

作者提出了一种基于注意力的时空图神经网络（ASTGNN）用于交通预测。具体来说，在时间维度上，作者设计了一种新颖的自注意力机制，能够利用专门用于数值序列表示转换的局部上下文。它使作者的预测模型能够捕捉交通数据的时间动态，并享受有利于长期预测的全局感受野。在空间维度上，作者开发了一个动态图卷积模块，采用自注意力以动态方式捕捉空间相关性。此外，作者通过嵌入模块明确地建模周期性并捕捉空间异质性。

3、实验总结

在不考虑周期性的情况下，ASTGNN在所有数据集上的表现优于其他基线方法，特别是在PEMS04和PEMS07数据集上，与Graph WaveNet相比，在MAE、RMSE和MAPE指标上都有显著提升。在地铁客流数据集上，ASTGNN仍然具有竞争力。在不建模周期性的情况下，ASTGNN和Graph WaveNet展现出相似的最佳性能，且ASTGNN在MAPE上显示了优势。

4.未来工作

探索基于不同的尺度的上下文信息来计算趋势和趋势之间的相关性和局部稀疏性在交通预测中的应用。

报告时间：2024年07月19日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)