交通预测中通过对抗学习和联合时空嵌入增强鲁棒性
摘要：交通预测是城市规划和计算领域中的一个重要问题。交通物体（例如传感器和道路段）之间的复杂动态时空关系需要高度灵活的模型来处理。然而，复杂模型在捕捉时间序列趋势（即随时间的一阶导数）方面可能表现出较差的鲁棒性，导致预测结果不真实。为了解决动态性和鲁棒性之间的平衡挑战，我们提出了TrendGCN，一种新的方案，它扩展了GCN的灵活性和生成对抗损失函数的分布保持能力，用于处理具有内在统计相关性的顺序数据。一方面，我们的模型同时将空间（节点级）嵌入和时间（时间级）嵌入结合在一起，以考虑异构的时空卷积；另一方面，它使用GAN结构来系统评估实际时间序列与预测时间序列之间的统计一致性，包括时间趋势和复杂的时空依赖性。与独立处理逐步预测错误的传统方法相比，我们的方法可以产生更真实和鲁棒的预测结果。在六个基准交通预测数据集上的实验和理论分析都证明了TrendGCN的卓越性能和最先进的表现。源代码可在https://github.com/juyongjiang/TrendGCN找到。
作者：Juyong Jiang, Binqing Wu, Ling Chen, Kai Zhang, Sunghun Kim
论文ID：2208.03063
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-14