异质信息网络嵌入用于行程时间预估-滴滴KDD 2020

论文简介

滴滴出行发表在KDD 2020上的一篇论文，原文标题为：HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival

摘要

预计到达时间（ETA）是智能交通中的一项关键任务，包括时空数据。很少有方法采用图结构对ETA进行建模，使用异质图结构的工作更少。本文介绍了一个名为HetETA框架利用异质图信息建模ETA任务。我们将道路图转化为一个多关系网络，并引入一个基于车辆轨迹的网络来共同考虑交通行为模式。并且采用了三个模块来分别建模近期、日、周的时间信息，每一个组件都包含时间卷积和图卷积，以学习ETA任务的时空异构信息表示。大量实验表明，本文提出的模型超过了现有的方法，说明了异构信息网络表示学习对于ETA任务的重要性。

前言

预计到达时间（ETA）是智能交通系统中的一项核心功能，用于测量车辆预计从出发地到达某个目的地时的行驶时间。已有的方法从以下方式建模ETA问题

本文的创新点：

1. 首次使用异质图神经网络建模ETA任务；
2. 设计了一个基于注意的具有快速局部谱滤波的图网络Het-ChebNet，在与边数成正比的空间需求下嵌入稀疏异构信息网络；
3. 大量实验表明超过了现有的state of the art。

问题定义

本文将估计到达时间任务定义为时空网络嵌入问题，给定出发的查询$q$，表示$t_q$时刻从出发地$o_q$到达目的地$d_q$经由路径$P_q$，本文的目的是通过嵌入在时空网络中的历史数据估计行程时间$y_q$，

定义有向关系图：

其中$V$是结点集合（如路段），$E$是边集合，表示结点$v_i$到$v_j$的关系类型$r_k$,$X^t$包括了路段的静态特征（如长度和宽度）和动态特征（如路段交通速度、流量）。存在以下难点：

• 复杂的异质结构信息难以表示和保存在低维空间中；
• 存在于路段和时间段之间的复杂关联。

算法框架

本文使用GNN来学习空间关联并提取道路网络和基于网络的车辆轨迹信息。提出的HetETA模型包括三个部分：门控时间CNN、Het-ChebNets、和FC融合模块。模型的输入数据为近期的、每日的、每周的道路和车辆轨迹的异质时空数据，

本文使用了CNN捕获了时间轴上的时间关联，GNN和CNN交替类似“三明治”结构，学习包括近期、日、周的时空异质信息，最后将三个时间的地位向量进行拼接，使用一个全连接层进行融合，得到预测路段的通行时间。

三个模块分布捕获近期、日、周的时间信息，最后一层的卷积神经网络用于将时间维度压缩至一维。
三者序列长度分别为：

近期代表当前的交通状态

日周期代表一天中的时段

周周期代表一周中的时段

所有的图节点和边相同，但节点上的特征是动态变化的

时间相关的门控CNN

与STGCN类似，采用使用门控因果卷积，用$L_k\times 1\times C_{in}$捕获序列上的时间信息（第二维度为什么是1？）
卷积定义，K1和K2是卷积和，大小为

graph convolution layer
它由两个Het chebnet组成

Het-ChebNet for Spatial Correlations.
异构切比雪夫网络用于时空关联。双填充图卷积层的结构，其中两个Het chebnet用于路网和车辆轨迹，车流网络所构建的异质图一定程度上缓解了道路网络的稀疏问题。

实验

在两个数据集上超过了state of the art

结论

首次使用异质图建模，将路段，车辆轨迹两种不同的数据建模，使用Het-ChebNet 进行融合。近期、日、周的数据划分以及时间卷积模块在之前的有类似的工作。（ASTGCN、STGCN）

感觉这篇文章异构图是怎么构建的说的不是很清楚，在Introduction说了一些，节点（road segment）数量多，边比较稀疏难以聚合邻近特征，因为道路之间有多种转向关系，所以增加几种边的关系有助于解决边稀疏，捕获语义关系，更好聚合邻居节点信息，两个图的节点就是路段是节点，然后道路网络中有多种转向关系，Groad就是一个异构图；另外还有一个基于车辆轨迹的图Gvehicle，是根据车辆轨迹隐式捕获交通模式（从一个节点去另个节点），然后放到两个带有注意力机制的HetChebNet进行空间特征提取。

参考：https://my.oschina.net/u/4401339/blog/4534766/print