How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey

论文简介

原文标题：How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey
简介：这是一篇关于交通方面的综述，文章介绍了交通方面的几个方向、挑战、和技术等。

问题

交通方面的问题主要包括以下几类，交通拥堵、旅行需求、交通安全、交通监管和自动驾驶，它们对应的研究方向如蓝色方框所示。

交通问题存在相同的挑战，时间相关性和空间相关性。
空间相关性：可以是相邻的区域也可以是距离远的区域，一般来说，交通流量预测或速度预测更多关注相邻区域，交通需求预测还需关注地区的功能相似性，如POI信息等。
时间相关性：交通时空序列数据存在周期性、邻近性等特性。
外部特征：如节假日、天气信息等。
以往的工作通常用CNN来提取空间信息，用RNN来提取时间信息，CNN只能对相邻的区域进行加权，数据建模为欧式空间下的数据，RNN存在梯度消失和迭代耗时长的问题。
本文重点对近两年提出的GNN方法做出总结，文章认为，GNN可以提取到图中的拓扑信息，这有利于更好的提取特征。下图是文章总结的挑战和技术

问题定义如下图所示，给定一串历史时空数据χ和外部信息ε，学习一个映射函数来预测未来一个时刻或多个时刻的交通状态：
G为交通图，G=（V,E,A）,V为节点集合，E为边集合（可以是带权的也可是无权的），A是邻接矩阵。预测问题用图表述如下

方法

文章就不同的数据集讨论了不同建图方法，第一类是传感器数据，典型的数据集有美国高速公路数据集PEMS，传感器可以收集道路车辆的速度、车流量等信息，这类工作把传感器当作图中的节点，传感器之间的距离当作边上的权重；也可以把传感器之间的路段当作节点；
第二类是GPS数据，GPS数据由多个车辆的轨迹组成，通常包含时间戳、经纬度、速度信息，每个GPS记录可以划分到最近的路段，一条路可以通过交叉口划分成多个路段，可以建立路段图或交叉口图

第三类是打车数据集，可以分为出租车订单数据集或共享单车数据集，反映的是移动模式或出行需求，以往的工作通常是把城市划分成多个规则的网格，每个网格代表一个区域，然后预测未来每个网格内的乘车需求量。
第四类是城市轨道交通数据集，如地铁线路或公交线路的数据集，这类数据集都有固定的站点，通常把单位时间站内的上车、下车人数作为结点特征。

文章详细讨论了邻接矩阵的构建，邻接矩阵用来提取拓扑信息，每个元素ai,j可以是二值的（0或1），也可是离散的数来表示权重。根据不同的应用场景，邻接矩阵也可分为固定邻接矩阵和动态邻接矩阵,
固定的邻接矩阵也即静态邻接矩阵，在训练过程中不会发生变化，以往的工作提出了下面几种静态邻接矩阵：
功能相似性图：衡量两个节点的城市功能的相似性，如居民区和商业区
交通连通图：19年AAAI一篇论文提出的多图时空卷积网络，路段之间否联通
语义图：19KDD一篇做出租车OD预测提出的，指的是两个区域之间存在的出租车需求量，（这里应该是一个动态图因为OD模式会随时间发生变化，邻接矩阵也会随之变化 ）
常见的功能或距离图用的是欧式距离，通过带阈值高斯核来确定aij

动态邻接矩阵：
一些论文指出据会因交通拥堵一些下游的传感器数值为0，因此有必要构建一个动态的邻接矩阵来表示结点之间的依赖关系，以下几篇论文都构建了动态邻接矩阵
“Graph wavenet for deep spatial-temporal graph modeling”
“Stochastic weight completion for road networks using graph convolutional networks”
“Dynamic spatial-temporal graph convolutional neural networks for traffic forecasting”

上图中，由原始的区域图可以划分出节点的空间位置图，节点交通连同图和结点功能相似图。（这些图的划分依赖与给定的数据，是否能反映出节点间边的特性）

文章接下来介绍了用于交通的预测的图卷积神经网络，第一种是谱图卷积SGC（Spectral Graph Convolution），作用于无向图，通过傅里叶变化，把卷积计算从空域变换到谱域（也称频域）；另一种是扩散卷积DGC（Diffusion Graph Convolution）,SGC适合无向图，DGC适用于动态图。

文章还提到了其他一些用于交通时空数据预测的算法，RNN及其变体GRU、LSTM，TCN（通过扩散卷积堆叠而成）代替RNN，越高层的节点感受域越大

以及Seq2Seq和GAN。
对文章的总结如下图：