论文阅读笔记：Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting

论文标题：Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting

摘要

城市交通流预测是智能交通系统中的一个关键问题。由于动态城市交通条件所带来的复杂的时空依赖性和本质的不确定性，这是一个相当具有挑战性的问题。在现有的大多数方法中，基于局部空间邻近性，利用图神经网络（GNNs）在一个固定的图中获取空间相关性。然而，城市道路条件复杂多变，因此道路之间的相互作用也应该是动态的。此外，道路的全局上下文信息对于准确预测也至关重要。本文探讨了城市交通流的时空相关性，通过寻找道路节点的空间邻域和语义邻域，构造了一个动态加权图。利用多头自注意时间卷积网络来捕捉历史观测中的局部和长期时间依赖关系。此外，我们还提出了一种自适应图选通机制来提取多层堆叠中的选择性空间相关性，并修正由人工定义的空间相关性引起的信息偏差。

创新点
1、考虑了地理邻近和上下文空间信息，定义了节点的空间邻居和语义邻居（局部和全局空间依赖关系）

2、以往的工作通过预先定义好的固定图结构建模空间依赖，但道路交通流随时间变化，道路间的交互也应该是动态的。所以作者提出了一个自适应图门控机制，用于在多层堆叠中选择性地更新和忘记节点的高阶邻居信息。

问题定义

：速度预测（多步）
给定历史12步数据，和图G，预测后12步

方法

空间相关性建模，首先定义了空间邻居和语义邻居，把道路看作节点，空间邻居是地理上相邻的节点，如果两条道路有交叉口相连，即为空间邻居

语义邻居，指的是流量上的相似性，比如商业区周围的道路可能会有相似的流量模式，即使这两条道路在相隔较远的两个商业区旁边（讲故事…）
作者使用的是DTW,一种计算时间序列相似度的算法，使用平均周交通流序列(每周的数据)作为速度信号来计算DTW距离：

定义好这两个邻接矩阵后，作者还使用了动态自适应邻接矩阵(这个公式来自GraphWaveNet)

作者做的改进是，将这三种邻接矩阵结合，并使用了门控机制，控制信息的保留与忘记，下面是模型图

AG-GCN模块，左边的A_hat是空间邻居或者语义邻居，经过一个GATConv,右边是自适应邻接矩阵，使用GNN，通过门控再与左边的信息融合。如下式，A为左侧，M为右侧

文章说，使用自适应邻接矩阵作为选通机制，是因为如果用地理邻居或者语义邻居，与交通网络复杂的空间依赖性必然存在一定的差距。因此，自适应调整矩阵可以补偿人工建模引起的信息偏差，进一步提高模型的精度。门控后与预先定义的图结构信息融合。

空间模块的输出是这层的输出与上层输出的权重和，gama为融合因子，g为relu函数，这种方式实现了多层图神经网络的选择性更新和遗忘，使每个节点获得更充分合理的高维特征。

时间相关性方面：
使用多头自注意力机制捕获长距离依赖，然后将输出输出到TCN中，来同时捕获长短期依赖（为什么是两个组件是这样叠加？）

最后，将时空信息进行融合，作者提出了三种融合方式，分别是concat,max-pooling,LSTM-attention,这三种方式来自2018的一篇图网络，Jumping Knowledge Network（做深图网络）

实验

对比现有方法，有微小的提升

消融实验是几个组件，TP是时间模块Self-Attention TCN,SP是空间模块（空间邻居），DWT是语义邻居模块，由下图可以看到，DWT、SP、TP对实验的效果影响程度依次增加。

实验结果表明，Gated 是有效的

思考与总结
不解的是，作者使用的处理后的数据并未公开，提供了原始的滴滴网站数据链接。空间邻居是根据道路，交叉口相邻建立邻接矩阵，这部分要用到路网。其次，global（DWT）的信息真的有效吗，还是作者强行加入，然后编了节点全局相似性的故事。
模型的整体结构属于A+B+C型，即组件叠加，自适应图早在之前的工作出现，创新在于作者加了图门控制，这部分可以控制空间信息的保留与遗忘。
不同以往的工作的串连模式（STGCN,ASTGCN等），时间组件与空间组件是并行的，再融合。作者在这些模块的组合顺序上实验应该试了比较多。