MG-ASTN: Estrutura Multigráfica com Redes Espaciais–Temporais Atentas para Previsão de Mobilidade de Multidões

Prever padrões/fluxos de multidões urbanas é uma tarefa desafiadora devido a complexas dependências espaço-temporais (ST). Neste artigo, buscamos examinar e relatar a capacidade e eficácia das redes neurais convolucionais de grafos (GCNs) atualmente mais amplamente utilizadas na análise de dados móveis em redes ST para previsão de fluxo de multidões. Especificamente, propomos uma nova estrutura de fluxo duplo que aproveita a multigrafia com redes ST atentas (MG-ASTN) para prever simultaneamente o fluxo de entrada e saída de multidões e o fluxo de origem-destino (OD) com base nos dados de trajetória coletados por dispositivos a bordo (por exemplo, GPS). MG-ASTN utiliza múltiplas GCNs codificando correlações não euclidianas para explorar relações pareadas entre regiões. Além disso, aplicamos um mecanismo de atenção entre canais com uma rede convolucional temporal 3-D para abordar a heterogeneidade das características ST e capturar representações de dados mais significativas para aprendizado multitarefa. Na avaliação, conduzímos experimentos com base em dois conjuntos de dados do mundo real e verificamos os métodos mais conhecidos de ponta para previsão de fluxo de multidões. Os resultados demonstram que MG-ASTN pode superar outras soluções — previsão de fluxo de entrada e saída com menor RMSE e MAE, e previsão de fluxo OD além das outras em muitos casos, portanto, apresenta grande potencial em modelar as correlações complexas entre regiões em redes ST e possibilitar previsões precisas em computação urbana.