2020顶会www基于时空图神经网络的交通流预测

Posted 2021-04-26 图与交通

概述

交通流分析、预测和管理是新时期建设智慧城市的关键。借助深层神经网络和大交通数据，我们可以更好地了解隐藏在复杂交通网络中的潜在模式。一条道路交通流的动态不仅在时间维度上依赖于序列模式，在空间维度上也依赖于其他道路。虽然已有预测未来交通流的研究工作，但大多数研究在建模空间和时间依赖性方面存在一定的局限性。本文提出了一种新的交通流预测空间时态图神经网络，它能全面地捕捉空间和时态模式。特别是，该框架提供了一个可学习的位置注意机制，以有效地聚集来自邻近道路的信息。同时，为交通流动态建模提供了时序组件，利用了局部和全局的时间依赖关系。在各种真实交通数据集上的实验结果证明了该框架的有效性。

 

 

主要的贡献：

1. 提出了一种新的具有位置注意机制的图神经网络层，以更好地聚合邻近道路的交通流信息;

2. 结合了递归网络和变换层，以捕获局部和全局的时间依赖性;

3. 提出了一个新的时空GNN框架STGNN，该框架专门用于建模具有复杂拓扑和时间依赖性的系列数据;

 

模型

主要由三部分组成:1)空间图形神经网络(S-GNN)层，其目的是通过交通网络捕捉道路之间的空间关系;2) GRU层，按顺序捕获时间关系(或局部时间依赖);3) transformer层，其目的是直接捕捉序列中的长程时间依赖(或全局时间依赖)。

             

模型框架

 

模型中多次使用的基础图卷积模块S-GNN：

             

 

相似性计算函数：

             

             

 

             

上面的架构主要考虑的问题就是使用GRU架构去捕捉local temporal info，然后介绍下面使用transformer去处理global temporal info。

 

             

 

最后使用一个多头注意力机制

             

             

最后是transformer的常用操作手段，在我们计算的结果后面加上position encoding。              

最后是输出层与训练函数，经过transformer layer以后，我们得到的输出是H，在经过一个多层神经网络输出Y，也就是最后的预测结果。

             

             

 

实验结果

             

             

 

对比于DCRNN，STGNN取得的效果是较好的。