交通預見未來(22): 基于動態時空圖卷積神經網絡的交通流預測

1、文章信息

《Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting》。

湖南大學信息科學與工程學院2019年初發在AAAI頂會上的一篇文章。

2、摘要

圖卷積神經網絡能夠利用基于節點距離的預先定義的拉普拉斯矩陣，對一張圖中節點的空間依賴關系進行建模。然而，在許多應用場景中，空間依賴關系會隨著時間而變化，使用固定的拉普拉斯矩陣不能捕捉這種變化。為了跟蹤交通數據之間的空間依賴關系，我們提出了一種動態的時空GCNN來進行交通預測，核心是對拉普拉斯矩陣進行動態分析。為了在參數學習過程中降低復雜度，我們將張量分解融入到深度學習框架中，實時交通數據被分解為一個穩定的、依賴于長期時空關系的全局分量和一個捕捉短期波動的局部分量。在理論推導的基礎上，提出了一種新的估計具有上述兩種分量的圖的動態拉普拉斯矩陣的設計方法，并介紹了設計依據。利用兩個數據集評價結果表明，該網絡的表現比基準模型提高了25%。

3、簡介

GCNN很大程度上依賴于圖的拉普拉斯矩陣，被定義為節點度對角矩陣與鄰接矩陣之差。以前的GCNN研究假設拉普拉斯矩陣嚴格不變，即輸入圖的鄰接矩陣是常數。然而我們之前的研究表明，在不同的時間跨度內，交通模式之間存在著巨大的差異。此外，每天都可能發生交通事故，這也會影響到路網中路段之間的關系。這些因素會導致鄰接矩陣的動態變化，從而影響拉普拉斯矩陣。因此，圖的拉普拉斯矩陣可能是時變的。

為了解決上述問題，提出了一種新的時空結構-動態GCNN (DGCNN)，來預測整個網絡的交通速度，與現有的基于GCNN相比，本文的貢獻如下:

（1）將張量分解引入到深度學習框架中，從交通數據樣本中提取全局和局部分量。從頻率分析可以看出，一個時間跨度內的全網交通樣本由兩部分組成:一個是由路網結構決定的全局分量，另一個是由特定時段或交通事件決定的局部分量。文章使用一個特定的損失函數訓練張量分解層。

（2）為了根據全局和局部分量動態學習特定時刻的拉普拉斯矩陣，設計了一種基于深度學習的拉普拉斯矩陣估計器，并給出了詳細的理論推導和設計依據。將實時估計的拉普拉斯矩陣輸入到圖卷積層進行預測。

總結

以上是生活随笔為你收集整理的(22) 基于动态时空图卷积神经网络的交通流预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。