BriefGPT - AI 论文速递
·
时序图中神经消息传递的顺序模式推理
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种名为动态超图结构学习(DyHSL)的新模型，用于交通流预测。该模型通过提取超图结构信息学习非成对关系，并通过聚合消息更新节点表示。实验证明DyHSL在交通预测中有效。
🎯
关键要点
- 本文研究交通流预测问题，通过建模交通网络和过去的交通状况来预测未来交通情况。
- 提出了一种名为动态超图结构学习(DyHSL)的新模型，旨在解决现有方法在复杂交通网络中表现不佳的问题。
- DyHSL通过提取超图结构信息学习非成对关系，并通过聚合来自关联超边的消息更新节点表示。
- 引入互动图卷积块以捕捉道路网络中的高阶时空关系，模拟每个节点的邻域交互。
- 整合多尺度相关性提取模块，通过不同尺度的时间池化建模不同的时间模式。
- 在四个流行的交通基准数据集上进行了大量实验，证明DyHSL在交通预测中的有效性。
➡️
