交通预见未来(22): 基于动态时空图卷积神经网络的交通流预测
1、文章信息
《Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting》。
湖南大学信息科学与工程学院2019年初发在AAAI顶会上的一篇文章。
2、摘要
图卷积神经网络能够利用基于节点距离的预先定义的拉普拉斯矩阵，对一张图中节点的空间依赖关系进行建模。然而，在许多应用场景中，空间依赖关系会随着时间而变化，使用固定的拉普拉斯矩阵不能捕捉这种变化。为了跟踪交通数据之间的空间依赖关系，我们提出了一种动态的时空GCNN来进行交通预测，核心是对拉普拉斯矩阵进行动态分析。为了在参数学习过程中降低复杂度，我们将张量分解融入到深度学习框架中，实时交通数据被分解为一个稳定的、依赖于长期时空关系的全局分量和一个捕捉短期波动的局部分量。在理论推导的基础上，提出了一种新的估计具有上述两种分量的图的动态拉普拉斯矩阵的设计方法，并介绍了设计依据。利用两个数据集评价结果表明，该网络的表现比基准模型提高了25%。
3、简介
GCNN很大程度上依赖于图的拉普拉斯矩阵，被定义为节点度对角矩阵与邻接矩阵之差。以前的GCNN研究假设拉普拉斯矩阵严格不变，即输入图的邻接矩阵是常数。然而我们之前的研究表明，在不同的时间跨度内，交通模式之间存在着巨大的差异。此外，每天都可能发生交通事故，这也会影响到路网中路段之间的关系。这些因素会导致邻接矩阵的动态变化，从而影响拉普拉斯矩阵。因此，图的拉普拉斯矩阵可能是时变的。
为了解决上述问题，提出了一种新的时空结构-动态GCNN (DGCNN)，来预测整个网络的交通速度，与现有的基于GCNN相比，本文的贡献如下:
（1）将张量分解引入到深度学习框架中，从交通数据样本中提取全局和局部分量。从频率分析可以看出，一个时间跨度内的全网交通样本由两部分组成:一个是由路网结构决定的全局分量，另一个是由特定时段或交通事件决定的局部分量。文章使用一个特定的损失函数训练张量分解层。
（2）为了根据全局和局部分量动态学习特定时刻的拉普拉斯矩阵，设计了一种基于深度学习的拉普拉斯矩阵估计器，并给出了详细的理论推导和设计依据。将实时估计的拉普拉斯矩阵输入到图卷积层进行预测。
