极简交通预测：线性层是你所需的全部
摘要：基于时空图神经网络的交通预测处于智能交通系统（ITS）和智慧城市愿景的关键地位。虽然时空图神经网络（STGNNs）通过结合循环神经网络（RNNs）或Transformer与图神经网络（GNNs）等方法在该领域展现出潜力，但仍存在计算复杂度、梯度问题和资源密集性等挑战。本文针对这些挑战提出了三个主要解决方案：节点嵌入方法、时间序列分解和周期性学习。我们引入了STLinear，这是一种精简的模型架构，旨在实现优化的效率和性能。与传统的STGNNs不同，STLinear完全在本地操作，避免了节点间的数据交换，并且仅依赖于线性层，显著降低了计算需求。我们对真实世界数据集进行的实证研究证实了STLinear的优势，其准确性与领先的STGNNs相匹配或超过，但复杂度和计算开销显著降低（与2023年发布的最新STGNN基线相比，每个时期的MACs减少了95％以上）。总之，STLinear是一种强大高效的替代传统STGNNs的方法，对ITS和智慧城市的未来产生了深远的影响。
作者：Wenying Duan, Hong Rao, Wei Huang, Xiaoxi He
论文ID：2308.10276
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-24