Resumen

La predicción de los datos de tráfico en las redes de tráfico es esencial para la gestión del transporte. Es una tarea difícil debido a la complicada dependencia espacio-temporal. Los últimos estudios se centran principalmente en captar las dependencias temporales y espaciales con datos de tráfico espacialmente densos. Sin embargo, cuando los datos de tráfico se vuelven espacialmente dispersos, los métodos existentes no pueden capturar suficiente información de correlación espacial y, por lo tanto, no logran aprender la periodicidad temporal de manera suficiente. Para abordar estos problemas, proponemos un nuevo marco de aprendizaje profundo, las redes convolucionales de atención gráfica multi-componente espacial-temporal (MSTGACN), para la predicción del tráfico, y lo aplicamos con éxito para predecir el flujo y la velocidad del tráfico con datos espacialmente dispersos. MSTGACN consta principalmente de tres componentes independientes para modelar tres tipos de información periódica. Cada componente de MSTGACN combina la convolución causal dilatada, la capa de convolución de grafos y la capa de atención de grafos con peso compartido. Los resultados experimentales en tres conjuntos de datos de tráfico del mundo real, METR-LA, PeMS-BAY y PeMSD7-sparse, demuestran el rendimiento superior de nuestro método en el caso de datos espacialmente dispersos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:datos dispersos, marco de aprendizaje profundo, mstgacn, capa de atención gráfica, atención gráfica temporal, convolución causal dilatada, capa de convolución gráfica, atención gráfica convolucional, datos de tráfico densos, red convolucional de atención
• Keywords:sparse data, deep learning framework, mstgacn, graph attention layer, temporal graph attention, dilated causal convolution, graph convolution layer, graph attention convolutional, dense traffic data, attention convolutional network