AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

都市流量预计作为智能交通中的一个重要问题,致力于准确预计都市中差别地区的流量信息,从而更好地实现地区间的流量管控、拥塞控制以及保障都市公共安全。本文将介绍一种鉴于时空图扩散网络的都市交通流量预计模型。本文工作是由京东数科硅谷研发实行室,京东都市和华南理工大学合作的一篇论文《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》,目前该论文已经被人工智能领域的顶级会议AAAI 2021(CCF A类)接收。

都市流量预计作为智能交通中的一个重要问题,致力于准确预计都市中差别地区的流量信息,从而更好地实现地区间的流量管控、拥塞控制以及保障都市公共安全。本文将介绍一种鉴于时空图扩散网络的都市交通流量预计模型。本文工作是由京东数科硅谷研发实行室,京东都市和华南理工大学合作的一篇论文《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》,目前该论文已经被人工智能领域的顶级会议AAAI 2021(CCF A类)接收。

AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

一、研究背景

对都市中差别地区间流量的预计,作为智能都市应用平台中非常重要的任务,服务于智能交通系统。比如鉴于准确的汽车流量预计结果,交通服务平台可以从事实时的交通调度以缓解由于流量过大带来的拥堵。与此同时,及时对未来时刻人流量的预计,可以在一定程度上降低由于人流过大引起踩踏事件的概率。尽管地区间流量的预计在实现都市智能化中起着重要的作用,对复杂的时空流量数据从事准确的建模是一个非常困难的任务。其中需要从工夫与空间两个维度出发,对流量数据的动态转变形式从事准确的进修,从而实现对都市地区间流量的精准预计。

为了实现更加准确的交通流量预计,我们的研究工作安排了一种鉴于层级图神经网络的深度进修模型, 分别从工夫和空间上对差别地区的流量信息从事建模。具体而言, 我们开发的预计模型鉴于多粒度的Attention机制, 对差别工夫粒度上的流量转变的形式从事自动进修。与此同时, 该研究工作对交通流量在空间维度上的转变形式也从事了建模。差别于现有的方法仅仅只考虑局部的空间关系, 我们从整个都市的全局空间范围进修差别地区间的流量转变的关系。通过层级图神经网络的联合建模进修到全局的空间流量的转变形式以及鉴于地理位置的空间上下文信息。为了考证模型的有效性, 我们在多个公开数据集上从事了实行。实行结果考证了模型相较于现有流量预计算法的优越性,以实现整个都市差别地区更加准确的流量预计结果。

 

二、模型方案

AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

1.鉴于工夫维度的流量转变建模

在实际时空数据预计场景中,地区的流量信息在工夫维度上呈现出动态的转变形式。为了更加准确地进修流量数据在工夫维度上的表示向量,作家通过在差别工夫粒度下分别从事特征编码,以获取到差别周期下的流量转变趋势,比如每小时,每天,以及每周的流量波动的规律。针对每一个工夫粒度下的流量序列建模,作家采用鉴于self-attention机制的信息融合模块对历史差别工夫区间中流量数据间的关系从事进修。具体而言,在self-attention机制中,通过将输入的表征向量在query, key 和value维度上分别从事特征表示的映射,从而计算出差别工夫区间中流量数据点间的关系权重大小。鉴于进修到的权重值,将工夫维度上差别的特征表示从事融合,以实现在差别工夫粒度下流量转变形式的进修。

2. 空间上下文信息的融入 

与此同时,为了从全局角度对都市差别地区间流量转变的关联性从事进修,作家安排了一种鉴于Graph Attention网络的表征信息更新模块,用于显式进修地区间流量转变形式的相关性。通过在所构建的地区图中从事鉴于Attention进修的embedding传递,最后进修到的地区表征向量中潜在地融入了其他相关地区的流量信息,以辅助针对流量信息表征进修的过程。

在都市流量预计的任务中,对空间维度上下文信息的刻画也至关重要。在作家所提出的模型框架中,通过安排另一层的图扩散模型对地区间的空间信息从事进修。在构建地区关联图上,我们将具有空间邻接关系的地区,以及在上一层全局Graph Attention中具有较高关联性的地区,生成连接边以构建相应的关联图。鉴于所构建出来的图结构信息,我们首先生成相应的邻接矩阵,并以此作为基础从事消息的扩散与融合。通过对每个地区的出入流量的表征信息从事传递以及鉴于邻接矩阵的标准化操作,所进修到的每个地区的表征信息可以在一定程度上反应出鉴于空间的地区关系信息。因此,通过以上鉴于工夫维度的流量转变建模以及空间上下文信息的融入模块,所提出的模型方案可以实现对流量数据的复杂时空转变形式从事有效的表征进修,对差别工夫粒度的表征信息的合并机制,以促进差别粒度下所进修到差别时空模型的融合。

三、实行

该工作中所提出的模型通过在多个数据集上从事了效果的考证实行。所使用到的数据集包括纽约市的出租车、共享单车的流量数据,以及北京市的出租车流量数据。为了更加全面地考证模型的有效性,作家在考证中将其与鉴于差别架构的现有流量预计方案从事了对比实行。结果如下表所示:

AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

 

该工作采用了RMSE和MAPE作为考证的指标来考证差别方法的预计精度。通过上表的结果可以看出,作家所提出的方法ST-GDN (Spatial-Temporal Graph Diffusion Network)在差别的数据集上均优于现有的流量预计算法。新模型在预计效果上的优势主要归功于所安排的鉴于层级结构的图扩散网络对于差别地区间流量信息的关联性从事了更加精准的进修。与此同时,本文对所安排的差别子模块的有效性从事了考证。实行中安排了多个模型变种,分别对流量序列的Self-attention编码器,鉴于Graph Attention的表征更新机制,空间上下文建模模块从事了考证。考证效果如下图所示: 

AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

 通过上图的实行结果可以观察到,所安排的整体流量预计模型(ST-GDN)在差别地区流量预计的精准度上均优于其他模型的变种。因此,可以说明每个子模块在进修复杂的时空模型表征中均起到了积极的作用。

为了进一步考证表征进修在差别的工夫粒度下的作用,实行中通过在流量序列编码器中设置差别的工夫粒度,从事了流量预计的实行。在实行中,作家通过对每小时,每天以及每周的工夫粒度从事差别的配置: 仅考虑鉴于小时周期的转变形式(ST-GDNh),鉴于小时与天为周期的转变形式(ST-GDNh,d),鉴于小时与周为周期的转变形式(ST-GDNh,w),以及鉴于小时,天,周为周期的转变形式(ST-GDNh,d,w)。实行考证结果如下图所示:

AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

通过对上图结果的观察,我们可以总结出考虑鉴于三种差别的工夫粒度从事时空表征进修刻画出差别周期下流量数据的动态转变形式,从而进一步优化模型的预计效果。通过对所开发模型中关键的超参数的影响从事进修,可以有助于更好地理解模型。如下图所示,我们可以观察到在差别的参数设置下,模型的预计效果。比如较大的表征维度可能会造成模型的过拟合,以及较长的流量序列会在一定程度上引入噪音。 

AAAI 2021论文:Graph Diffusion Network提升交通流量预计精度(附论文下载)

原创文章,作者:京东科技开发者,如若转载,请注明出处:https://www.iaiol.com/news/aaai2021-lun-wen-graphdiffusionnetwork-ti-sheng-jiao-tong/

(0)
上一篇 2021年 8月 11日 下午3:43
下一篇 2021年 8月 11日 下午5:08

相关推荐

  • ICML 2021 | 鉴于拆卸的视频无监视零件宰割

    本文是第三十八届国际机器进修会议(ICML 2021)入选论文《鉴于拆卸的视频无监视零件宰割(Unsupervised Co-part Segmentation through Assembly)》的解读。
    该论文由北京大学陈宝权-刘利斌研究团队与山东大学、北京电影学院未来影像高精尖创新中心合作,提出了一种无监视的图像零件宰割法子,创新性地采用了将零件宰割历程和零件拆卸历程相结合的自监视进修思路,利用视频中的运动信息来提取潜在的零件特性,从而实行对物体零件的有意义的宰割。

    2022年 7月 18日
  • 模型鲁棒性好不好,复旦大学一键式评测平台告诉你

    复旦大学自然言语处置惩罚实验室发布模型鲁棒性评测平台 TextFlint。该平台涵盖 12 项 NLP 使命,囊括 80 余种数据变形步骤,花费超 2 万 GPU 小时,进行了 6.7 万余次实验,考证约 100 种模型,选取约 10 万条变形后数据进行了言语合理性和语法正确性人工评测,为模型鲁棒性评测及提升提供了一站式解决方案。

    2021年 4月 6日
  • B站失踪人口返回,「年更UP」Gautam Kamath传授的《机械进修初学》终于上线了

    虽然一年才更一次,但素质三连还是可以走一发。

    2022年 1月 11日
  • 技术博客丨动手实践系列:CV语义宰割!

    作者:游璐颖,福州大学,Datawhale成员 图象宰割是计算机视觉中除了分类和检测外的另一项基本任务,它意味着要将图片根据内容宰割成不同的块。相比图象分类和检测,宰割是一项更精细的工作,因为需要对每一个像素点分类。如下图的街景宰割,由于对每一个像素点都分类,物体的轮廓是精准勾勒的,而不是像检测那样给出边界框。图象宰割可以分为以下三个子领域:语义宰割、实例宰割、全景宰割。 由对比图可发现,语义宰割是从像素层次来识别图象,为图象中的每一个像素制定类型标记,目前广泛应用于医学图象和无人驾驶等;实例宰割相对

    2022年 1月 11日
  • 中国队喜提六枚金牌,实现IMO团队三连冠:王一川拿下全场唯一满分

    在 IMO 2021 的赛场上,中国队又一次实现了「全员金牌」并喜提冠军,来自华师大二附中的选手王一川更是取得了全场唯一的满分问题。

    2021年 7月 26日
  • CVPR 2021 | 不需要标注了?看自监视进修框架如何助力主动驾驭

    来自主动驾驭公司轻舟智航和约翰霍普金斯大学的学者提出了一个自监视进修框架,可从未标注的激光雷达点云和配对的相机图象中从事点云疏通估量,与现有的监视办法相比,该办法具有良好的性能,当进一步从事监视微调时,模型优于 SOTA 办法。

    2021年 5月 17日
  • AI可诠释性及其在蚂蚁保险平安规模的运用简介

    可诠释性有关算法作为蚂蚁集团提出的“可托AI”技术架构的重要组成部分,已大量运用于蚂蚁集团保险平安风控的风险鉴别、欺诈举报审理等场景,取得了一些阶段性的成果。本系列文章,我们将以风控规模详细运用为例,尤其关注规模大师履历和机械进修要领的交互结合,介绍蚂蚁集团特点可诠释、图可诠释、逻辑可诠释等算法方案的探索和落地。大师点评:沈超 西安交通大学教授、网络空间保险平安学院副院长AI可诠释性是可托AI的重要组成部分,已成为野生智能规模的研究热点。可诠释性有助于用户了解系统的决议逻辑并建立信任,从而

    2022年 4月 24日
  • AAAI 2021 | 投票的滑润复杂度

    本文是第三十五届人工智能大会(AAAI 2021)入选论文《The Smoothed Complexity of Computing Kemeny and Slater Rankings》的解读。

    2022年 7月 18日
  • 千寻地位亮相2022世界人工智能大会:首秀更精细化的数字孪生才智

     9月1日,2022世界人工智能大会在上海正式开幕。全球领先的时空智能基础设施公司——千寻地位网络有限公司(以下简称“千寻地位”)首次展示了具备精确时空才智的数字孪生产品在都会数字化、新基建建设等领域的利用,包括都会道路智能巡检和保护、高速公路高精度舆图收罗、智能矿山三维可视化办理等。今年的世界人工智能大会以“智联世界,元生无界”为主题,数字孪生、时空智能、元宇宙等硬核科技热门赛道备受关注。更精细化的数字孪生才智数字孪生是物理世界与数

    2022年 9月 1日

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注