论文笔记：Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting

Posted 2023-02-06 UQI-LIUWJ

NIPS 2020

1 abstract & intro

• 当前的大多数深度学习方法基于共享参数设计模型
  • 不同节点对应同一套参数
  • 但是，由于每条道路的具体情况不一样，使用同一套参数无法捕捉细粒度的数据模式
  • ——>这篇论文设计了节点自适应参数学习(NAPL)模块，分解传统GCN中的参数，每个节点有自己的一套参数
• 当前模型大多使用邻接矩阵来预定义一个图，以捕捉空间相关性
  • 这个图不一定能完整地表示空间依赖性‘
  • ——>这篇论文设计了数据自适应图生成(DAGG)模块，自动推断不同序列之间的相互依赖关系
• 这篇论文提出一种自适应图卷积递归网络(AGCRN)，基于节点自适应参数学习(NAPL)模块、数据自适应图生成(DAGG)模块这两个模块和RNN架构，自动捕获交通序列的细粒度时空关联。

2 问题定义

• N个节点在t个时刻的时间序列可以表示为
  • 其中
• N个节点构成图
• 问题的目标是学习一个预测函数，使得：
  • 

3 模型部分

3.1 节点自适应参数学习(NAPL)模块

• 论文采用Kipf GCN的计算方式
  • 
    • 其中
    • 不难发现，所有的节点都是用共同的一套参数 建模的
    • 但是，由于每条道路的具体情况不一样，使用同一套参数可能无法捕捉细粒度的数据模式
  • 一种最直接的改进想法是，令，也即每个节点一套参数
    • 但这样的设计带来的问题是，N较大得到时候，参数量过大
  • 论文中的改进方向是矩阵分解
    • 
    • 此时GCN变成

3.2 数据自适应图生成(DAGG)模块

• 令
• 那么此时GCN进一步变成：
  • 

3.3 自适应图卷积递归网络(AGCRN)

• 将GRU中的MLP换成3.1和3.2的两个新模块
• 

 4 实验部分