STGNN:【2020顶会www】基于时空图神经网络的交通流预测
作者:互联网
【2020顶会www】基于时空图神经网络的交通流预测
![皇德华叫兽](https://pic1.zhimg.com/50/v2-08ceee424537e42c5af8a1d2f61f1dbc_s.jpg?source=4e949a73)
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:
- 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;
- 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;
- 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)。
![](https://pic1.zhimg.com/v2-4f3f89842c6a29c160c886422328f9a0_b.jpg)
模型框架
模型中多次使用的基础图卷积模块S-GNN:
![](https://pic2.zhimg.com/v2-a87056d85792ab32523b68fbb0bbeae1_b.jpg)
相似性计算函数:
![](https://pic4.zhimg.com/v2-ff2fdd030411a354e47735e21713350f_b.jpg)
![](https://pic1.zhimg.com/v2-db1e3579aa60b083273fa072108d5538_b.jpg)
![](https://pic2.zhimg.com/v2-a84a429e1101ee6c0dd5e6ce710ff2d1_b.jpg)
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。
![](https://pic3.zhimg.com/v2-d6ea86b4f9120e60688a04a3977f414a_b.jpg)
最后使用一个多头注意力机制
![](https://pic2.zhimg.com/v2-9b4b8c02471bbaf7042a2e3809994fb5_b.png)
![](https://pic1.zhimg.com/v2-5f5351acbf33f93d810ec2e25b30c9a4_b.jpg)
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。
![](https://pic2.zhimg.com/v2-276f3560d8260947c5d4f6313f877f11_b.jpg)
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。
![](https://pic2.zhimg.com/v2-ca2e23bc1ce77e7cbd9f1559821e8391_b.png)
![](https://pic3.zhimg.com/v2-7b335fb700281aebd16b93c3220012d6_b.jpg)
实验结果
![](https://pic2.zhimg.com/v2-1d3bdedeaf72ada987787ccafdc7cde1_b.jpg)
![](https://pic3.zhimg.com/v2-5fe4fe1e0ae520ab7adb172ee308a92e_b.jpg)
对比于DCRNN,STGNN取得的效果是较好的。
更多相关专业文章,欢迎关注公众号!
http://weixin.qq.com/r/FkwkPGPE4z6crSdf9xkE (二维码自动识别)
发布于 09-11
标签:交通流,STGNN,www,框架,transformer,神经网络,时间 来源: https://www.cnblogs.com/cx2016/p/13865030.html