摘要
交通流量预测是机器学习领域中最受关注的时空任务之一。当前该领域的主流方法通常将图卷积网络（Graph Convolutional Networks）与循环神经网络（Recurrent Neural Networks）相结合，以实现高效的时空建模。近年来，该方向竞争激烈，涌现出大量创新方法。本文提出一种新型方法——时空图神经控制微分方程（Spatio-Temporal Graph Neural Controlled Differential Equation, STG-NCDE）。神经控制微分方程（Neural Controlled Differential Equations, NCDEs）是处理序列数据的一项突破性概念。我们在此基础上进行拓展，分别设计了用于时间建模和空间建模的两种NCDE结构，随后将其整合为统一的框架。我们在6个基准数据集上进行了实验，并与20种基线方法进行对比。实验结果表明，STG-NCDE在所有测试场景中均取得了最优性能，显著优于所有对比方法，提升幅度具有统计显著性。
代码仓库
jeongwhanchoi/STG-NCDE
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| traffic-prediction-on-pemsd3 | STG-NCDE | 12 steps MAE: 15.57 12 steps MAPE: 15.06 12 steps RMSE: 27.09 |
| traffic-prediction-on-pemsd4 | STG-NCDE | 12 steps MAE: 19.21 12 steps MAPE: 12.76 12 steps RMSE: 31.09 |
| traffic-prediction-on-pemsd7 | STG-NCDE | 12 steps MAE: 20.53 12 steps MAPE: 8.8 12 steps RMSE: 33.84 |
| traffic-prediction-on-pemsd7-l | STG-NCDE | 12 steps MAE: 2.87 12 steps MAPE: 7.31 12 steps RMSE: 5.76 |
| traffic-prediction-on-pemsd7-m | STG-NCDE | 12 steps MAE: 2.68 12 steps MAPE: 6.76 12 steps RMSE: 5.39 |
| traffic-prediction-on-pemsd8 | STG-NCDE | 12 steps MAE: 15.45 12 steps MAPE: 9.92 12 steps RMSE: 24.81 |
| weather-forecasting-on-noaa-atmospheric | STG-NCDE | MAE (t+1): 0.3582 ± 0.0616 MAE (t+10): 1.4095 ± 0.1836 |