مقاله MA2GCN: شبکه های کانولوشنال (حلقوی) گراف توجه رابطه چند همجواری برای پیش بینی ترافیک با استفاده از داده های مسیر

چکیده

The problem of traffic congestion not only causes a large amount of economic losses, but also seriously endangers the urban environment. Predicting traffic congestion has important practical significance. So far, most studies have been based on historical data from sensors placed on different roads to predict future traffic flow and speed, to analyze the traffic congestion conditions of a certain road segment. However, due to the fixed position of sensors, it is difficult to mine new information. On the other hand, vehicle trajectory data is more flexible and can extract traffic information as needed. Therefore, we proposed a new traffic congestion prediction model – Multi Adjacency relationship Attention Graph Convolutional Networks(MA2GCN). This model transformed vehicle trajectory data into graph structured data in grid form, and proposed a vehicle entry and exit matrix based on the mobility between different grids. At the same time, in order to improve the performance of the model, this paper also built a new adaptive adjacency matrix generation method and adjacency matrix attention module. This model mainly used gated temporal convolution and graph convolution to extract temporal and spatial information, respectively. Compared with multiple baselines, our model achieved the best performance on Shanghai taxi GPS trajectory dataset. The code is available at https://github.com/zachysun/Taxi_Traffic_Benchmark.

چکیده به فارسی (ترجمه ماشینی)

مشکل احتقان ترافیک نه تنها باعث خسارات اقتصادی زیادی می شود ، بلکه محیط شهری را نیز به خطر می اندازد.پیش بینی تراکم ترافیک از اهمیت عملی مهمی برخوردار است.تاکنون ، بیشتر مطالعات بر اساس داده های تاریخی از سنسورهای قرار داده شده در جاده های مختلف برای پیش بینی جریان و سرعت ترافیک آینده ، برای تجزیه و تحلیل شرایط احتقان ترافیک یک بخش خاص جاده ای انجام شده است.با این حال ، به دلیل موقعیت ثابت سنسورها ، معدن اطلاعات جدید دشوار است.از طرف دیگر ، داده های مسیر وسیله نقلیه انعطاف پذیرتر است و می تواند اطلاعات ترافیک را در صورت لزوم استخراج کند.بنابراین ، ما یک مدل پیش بینی احتقان ترافیک جدید – شبکه های توجه چند مجاورت توجه نمودار شبکه های حلقوی (MA2GCN) را پیشنهاد کردیم.این مدل داده های مسیر وسیله نقلیه را به داده های ساختار یافته نمودار به شکل شبکه تبدیل کرده و یک ماتریس ورودی و خروج وسیله نقلیه را بر اساس تحرک بین شبکه های مختلف پیشنهاد می کند.در عین حال ، به منظور بهبود عملکرد مدل ، این مقاله همچنین یک روش جدید تولید ماتریس تطبیقی تطبیقی و ماژول توجه ماتریس مجاور ساخته شده است.این مدل عمدتاً از همبستگی زمانی دروازه و حلقوی نمودار برای استخراج اطلاعات زمانی و مکانی استفاده می شود.در مقایسه با خطوط چندگانه ، مدل ما بهترین عملکرد را در مجموعه داده های مسیر GPS تاکسی شانگهای به دست آورد.کد در https://github.com/zachysun/taxi_traffic_benchmark در دسترس است.