摘要

我们提出了一系列改进措施，显著提升了Graph WaveNet在METR-LA交通预测任务上的先前最优性能。该任务的目标是基于过去一小时的传感器读数，预测交通网络中每个传感器未来时刻的车速。Graph WaveNet（GWN）是一种时空图神经网络，通过交替使用图卷积聚合邻近传感器的信息，以及使用空洞卷积捕捉历史信息来实现预测。我们对GWN进行了三项改进：（1）采用更优的超参数设置；（2）引入新的连接结构，使更大的梯度能够更有效地反向传播至早期卷积层；（3）在更简单的短期交通预测任务上进行预训练。这些改进使METR-LA任务上的平均绝对误差降低了0.06，降幅几乎相当于GWN相较于其前代模型的性能提升幅度。该改进在PEMS-BAY数据集上也表现出良好的泛化能力，相对提升幅度相似。此外，我们还证明了分别训练短期与长期预测模型并进行集成，可进一步提升整体性能。相关代码已开源，地址为：https://github.com/sshleifer/Graph-WaveNet。