GLGAT: Una Rete di Attenzione su Grafo per la Previsione del Traffico
I ricercatori hanno introdotto la Global-Local Graph Attention Network (GLGAT) per migliorare la previsione del traffico affrontando efficacemente le correlazioni spazio-temporali. A differenza delle reti convoluzionali e di attenzione su grafo convenzionali, GLGAT differenzia i vertici attraverso una codifica a coppie e utilizza una matrice di adiacenza basata su eventi. Impiega una matrice di attenzione globale per l'intero grafo, assegnando set di matrici di attenzione locali ai singoli vertici. Test condotti su due dataset reali di traffico rivelano che GLGAT cattura con successo le correlazioni spazio-temporali e si comporta in modo competitivo rispetto ai principali baselines. Questo studio è disponibile su arXiv nella categoria Computer Science > Artificial Intelligence.
Fatti principali
- 1. GLGAT sta per Global-Local Graph Attention Network.
- 2. Utilizza codifica a coppie e matrice di adiacenza basata su eventi.
- 3. Assegna set di matrici di attenzione globali e locali ai vertici.
- 4. Gli esperimenti sono stati condotti su due dataset reali di traffico.
- 5. GLGAT supera i baselines all'avanguardia.
- 6. L'articolo è categorizzato sotto Computer Science > Artificial Intelligence.
- 7. Affronta la limitazione di vertici con caratteristiche molto diverse.
- 8. Il lavoro è disponibile su arXiv.
Entità
Istituzioni
- arXiv