交通予測のための階層的グラフ畳み込みネットワーク

交通予測は、インテリジェント交通システムにおける広範な応用のため、 considerable interest を集めています。複雑で動的な交通データを考慮すると、多くの方法が非定常交通パターンを表現する空間・時間モデルを構築することに焦点を当てています。最近、最新のグラフ畳み込みネットワーク（GCN）が、空間的特徴を学習するために導入され、時間的な特徴を学習するために時間的ニューラルネットワークが使用されています。これらのGCNベースの方法は、最先端の性能を得ています。しかし、現在のGCNベースの方法は、道路ネットワークのマイクロ層と地域ネットワークのマクロ層で構成される交通システムの自然な階層構造を無視しています。このノードはプーリング法を通じて得られ、ダウンタウンやCBDなどのホットな交通地域を含むことができます。一方、現在のGCNは道路ネットワークのマイクログラフにのみ適用されています。本研究では、マイクロおよびマクロ交通グラフの両方で操作する新しい階層的グラフ畳み込みネットワーク（HGCN）を提案します。提案された方法は、2つの複雑な都市交通速度データセットで評価されます。Graph WaveNetのような最新のGCNベースの方法と比較して、提案されたHGCNは、より低い計算コストでより高い交通予測精度を達成します。コードのウェブサイトは https://github.com/guokan987/HGCN.git です。