Context-aware knowledge graph framework for traffic speed forecasting using graph neural network
论文链接：
https://arxiv.org/abs/2407.17703
翻译：
摘要
人类流动在空间和时间上受到城市环境的密切影响，构成了理解交通系统的重要领域知识。虽然现有的交通预测模型主要依赖于原始交通数据和先进的深度学习技术，但由于缺乏有效的集成框架和城市环境的复杂性，结合背景信息仍未得到充分探索。本研究提出了一种新颖的上下文感知知识图谱 (CKG) 框架，通过有效地建模空间和时间背景来增强交通速度预测。该框架采用关系依赖集成策略，从 CKG 的空间和时间单元生成上下文感知表示，以捕捉城市环境的时空依赖关系。然后设计一个 CKG-GNN 模型，结合 CKG、双视图多头自注意力 (MHSA) 和图神经网络 (GNN)，使用这些上下文感知表示来预测交通速度。我们的实验表明，CKG 的配置显着影响嵌入性能，其中 ComplEx 和 KG2E 分别是嵌入空间和时间单元的最佳选择。 CKG-GNN 模型超越了基准模型，平均 MAE 达到3.46 ± 0.01并且 MAPE 为14.76 ± 0.09 %用于 10 到 120 分钟的交通速度预测。双视图 MHSA 分析从基于上下文的视角揭示了关系相关特征的关键作用，从基于序列的视角揭示了模型在预测中优先考虑最近时间段的能力。CKG 框架的模型无关性质表明它在智能交通系统的各种应用中具有潜在的适用性。总体而言，这项研究强调了将特定领域的上下文纳入交通预测以及将上下文感知知识图与神经网络相结合以提高准确性的重要性。
