交通預見未來(22): 基于動態(tài)時空圖卷積神經(jīng)網(wǎng)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(fā)在AAAI頂會上的一篇文章。

2、摘要

圖卷積神經(jīng)網(wǎng)絡能夠利用基于節(jié)點距離的預先定義的拉普拉斯矩陣，對一張圖中節(jié)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(shù)據(jù)之間的空間依賴關系，我們提出了一種動態(tài)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(tài)分析。為了在參數(shù)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(shù)據(jù)被分解為一個穩(wěn)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(tài)拉普拉斯矩陣的設計方法，并介紹了設計依據(jù)。利用兩個數(shù)據(jù)集評價結果表明，該網(wǎng)絡的表現(xiàn)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(jié)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(shù)。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(fā)生交通事故，這也會影響到路網(wǎng)中路段之間的關系。這些因素會導致鄰接矩陣的動態(tài)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(tài)GCNN (DGCNN)，來預測整個網(wǎng)絡的交通速度，與現(xiàn)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(shù)據(jù)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(wǎng)交通樣本由兩部分組成:一個是由路網(wǎng)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(shù)訓練張量分解層。

（2）為了根據(jù)全局和局部分量動態(tài)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(jù)。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(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。