# 小波启发的多尺度图卷积循环网络用于交通预测
## 作者
- Qipeng Qian
- Tanwi Mallick
## 摘要
交通预测是智能交通系统的基础。时空图神经网络在交通预测中展现了最先进的性能。然而，这些方法并未显式建模交通数据中的某些自然特征，例如涵盖不同粒度或尺度下时空变化的多尺度结构。为此，我们提出了一个**小波启发的图卷积循环网络（WavGCRN）**，该方法将基于多尺度分析（MSA）的方法与基于深度学习（DL）的方法相结合。在 WavGCRN 中，交通数据通过离散小波变换（DWT）被分解为时频分量，构建了一个多流输入结构；然后，图卷积循环网络（GCRN）作为每个流的编码器，提取不同尺度下的时空特征；最后，可学习的逆 DWT 和 GCRN 结合作为解码器，融合所有流的信息，用于交通指标的 reconstruction 和预测。此外，该方法结合了路网信息图和数据驱动的图学习，以精确捕捉空间相关性。所提出的方法在真实交通数据集上提供了明确的可解释性、强大的学习能力以及有竞争力的预测性能。
## 主题/分类
- 机器学习 (cs.LG)