Modelagem Sincronizada Espaço-Temporal Automatizada com Múltiplos Grafos para Previsão de Tráfego

A previsão de tráfego desempenha um papel importante em muitos sistemas de transporte inteligente. Muitos trabalhos existentes projetam arquiteturas de rede neural estáticas para capturar correlações espaço-temporais complexas, o que é difícil de adaptar a diferentes conjuntos de dados. Embora abordagens recentes de pesquisa de arquitetura neural tenham tratado deste problema, elas ainda adotam uma pesquisa de granulação grosseira com componentes pré-definidos e fixos no espaço de pesquisa para modelagem espaço-temporal. Neste artigo, propomos um novo framework de pesquisa de arquitetura neural, intitulado AutoSTS, para modelagem sincronizada espaço-temporal automatizada na previsão de tráfego. Para ser específico, projetamos um módulo de pesquisa de arquitetura baseado em rede neural gráfica (GNN) para capturar correlações espaço-temporais localizadas, onde múltiplos grafos construídos a partir de diferentes perspectivas são utilizados conjuntamente para encontrar uma melhor maneira de transmissão de mensagens para minerar tais correlações. Além disso, propomos um módulo de pesquisa de arquitetura baseado em rede neural convolucional (CNN) para capturar dependências temporais com diferentes intervalos, onde convoluções temporais com portões com diferentes tamanhos de kernel e tipos de convolução são projetadas no espaço de pesquisa. Experimentos extensivos em seis conjuntos de dados públicos demonstram que nosso modelo pode alcançar melhorias de 4% a 10% em comparação com outros métodos.