STEGNN
摘要
随着智能交通系统（ITS）逐渐融入我们的日常生活，人们普遍认为路网预测是智能交通系统的杀手锏，具有很高的社会和经济效益。然而，目前的解决方案忽视了时空交通数据的异质性，无法捕捉隐藏的时空相关性。本文介绍了 STEGNN：一种用于路网预测的新型时空嵌入图神经网络。STEGNN 的主要思想是利用余弦相似性生成高质量的时空图，从而填补了交通图时空相关性之间的空白，其中包括：(i) 基于交通图的时空相似性构建时空图的新方法，这比以往方法所声称的时间序列测量相似性要精确得多；(ii) 先进的时空嵌入模型，通过利用时空图的特定排列来利用时空依赖性；以及 (iii) 有效的框架，通过混合多层图卷积和扩张卷积来理解广泛的时空特征，从而在长期内捕捉广泛的时空依赖性。通过将 STEGNN 应用于真实世界的交通图，对其进行了广泛的评估验证，结果表明 STEGNN 优于最先进的解决方案，对道路网络的预测更加准确。
索引词条-图神经网络、交通流量预测、时空图、图卷积
引言
随着智能交通系统（ITS）逐渐融入我们的日常生活，以改善交通流动性和体验，道路上的车辆和出行量不断增加，道路日趋饱和，交通拥堵问题自然暴露出来。为了解决这些问题，人们普遍认为，道路预测是智能交通系统的杀手锏，具有很高的社会和经济效益
