当时空相遇时：基于高效谱图注意力网络的解纠缠流量预测

摘要

交通预测对于公共安全和资源优化至关重要，但由于交通数据的时间变化和动态空间相关性，因此具有很大的挑战性。为了捕获这些复杂的依赖关系，应用时空网络，例如具有图卷积网络的递归神经网络、具有时间卷积网络的图卷积网络以及具有全图注意力网络的时间注意力网络。然而，以前的时空网络是基于端到端的训练，因此无法处理非平稳交通时间序列中的分布转移。另一方面，现有的网络仍然缺乏有效的空间相关性建模算法。在本文中，我们的目标不是提出另一个端到端模型，而是提供一个新的解纠缠融合框架STWave来缓解分布偏移问题。该框架首先将复杂的交通数据分解为稳定的趋势和波动的事件，然后通过双通道时空网络分别对趋势和事件进行建模。最后，通过趋势和事件的融合，可以预测合理的未来流量。此外，我们将一种新的查询采样策略和基于图小波的图位置编码到全图注意力网络中，以有效地建模动态空间相关性。在六个交通数据集上的大量实验表明了我们方法的优越性，即，以较低的计算代价获得较高的预测精度。