圖條件混合圖神經網路專家用於交通預測

研究論文提出了一種名為 GC-MoE 的框架，用於感測器圖上的時空交通預測。傳統方法通常對所有節點應用單一架構，但圖區域可能表現出不同的動態。GC-MoE 根據圖拓撲和最近交通輸入窗口，為每個節點分配一個個性化的凍結專家組合。該框架結合了預訓練的時空圖神經網路專家和一個輸入感知的路由器，只訓練輕量級的路由模塊。論文還探討了一個有界圖條件輸出精煉層作為可選擴展。在 PEMS04、PEMS07、METR-LA 和 PEMS-BAY 四個標準基準測試中，GC-MoE 在平均絕對誤差上有所改善，同時保持競爭性的均方根誤差和平均絕對百分比誤差，且僅需額外訓練約 17K 個參數。實現代碼已公開在 GitHub 上。