该文章探讨了交通流量预测问题，采用encoder-decoder架构结合spatio-temporal attention blocks来考虑时空因素。引入transform attention层以处理预测与未来内容的关系，并用node2vec方法对道路网络进行表示学习。通过group计算方式减少attention机制的计算量，提高了长时间预测的效果。研究在Xiamen和PEMS数据集上验证，显示了较好的预测性能。
首先我们看看文章作者信息：
这个文章主要考虑的是交通流中的时空因素影响，这个文章采用的是encoder-decoder的架构，encoder和decoder都包含多个spatio-temporal attention blocks去建模时空影响。在encoder-decoder两部分之间，增加了a transform attention层，主要说是考虑预测的内容与未来内容之间的关系（就是依靠attention来计算这种关系），作者还说了一个作用就是防止错误传播。使用了两个真实的数据集（Xiamen dataset和PEMS dataset），做了两个任务（交通流量与交通速度的预测）。
交通在时间和空间上的影响
这篇文章主要的贡献：
1.spatial and temporal attention mechanisms
最低0.47元/天 解锁文章
扫一扫
211
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
