GSAA：一种用于智慧城市交通预测的新型图时空注意力算法

《ACM Transactions on Sensor Networks》：GSAA: A Novel Graph Spatiotemporal Attention Algorithm for Smart City Traffic Prediction

随着5G和物联网技术的发展，智能交通在智慧城市中的应用持续深化。传感器数据包含复杂的交通场景信息，通过部署数据预测交通流可显著提升城市交通调度效率和流量效率。尽管已有研究关注交通流预测，但尚未充分挖掘传感器数据中的时空关联信息。本文提出了一种新型图时空注意力算法（GSAA），结合时空注意力机制与图神经网络，利用深度强化学习优化超参数。实验表明，GSAA在短期和长期交通流量预测中分别比最优基准方法降低MAE 5.47%和13.10%。

　　

摘要

随着5G技术和物联网的发展，智能交通在智慧城市中的应用进程不断推进。传感器是智能交通的关键信息来源，其数据通常包含复杂的交通场景信息。通过利用智能传感器的数据来预测交通流量，可以显著提高城市交通的调度效率和运行效率。尽管一些相关研究已经关注了交通流量的预测任务，但它们尚未充分挖掘智能传感器数据中蕴含的交通时空信息。本文提出了一种新颖的图时空注意力算法（GSAA）用于交通预测。为了充分利用复杂道路之间的地理和时间相关性来进行交通预测，该算法将时空注意力机制与图神经网络相结合。为了充分利用各种超参数所带来的影响，在训练预测模型时采用了深度强化学习来优化超参数。在真实世界的公共数据集上的实验结果表明，与最佳基线策略相比，本文提出的算法在短期和长期交通预测方面的平均绝对误差（MAE）分别提升了约5.47%和13.10%。