背景
交通流量预测,一个经典的时空预测问题。空间的关系一般有CNN、GNN来捕捉,时序的关系有RNN、1d-CNN
挑战:
- 复合空间关系:如果D和A有相似的POI,那D和A的邻居B也可能高度相关
- 空间关系的异质性:不同的区域 与相似地区(或邻居)的需求相关性也可能不同。还没有同时考虑同质和异质关系下区域贡献差异的方法
- 复合时间关系和空间关系
方法
formulation
时空分割
把城市想象成HxW的矩形分割成bins,每个bins是v_i;再把连续的时间离散化;
时空同质图
需求
把一个node i 在时间片t 的订单量 x i t x_i^t xit定义为需求
问题
预估下一个时间片的单量
时空同质图的构建
左下角红框里有四种关系:3个空间关系和1个时间关系
-
相邻 nbr
-
相似POI poi
-
相似时间模式 tps
历史数据的相似性, where Ci, j is the Pearson correlation coefficient between node vi and node vj
-
时间关系 tim:A region’s past time series
Attention Layer
Node Level Attention
Meta-Path Level Attention
k,v 的计算来源是u
Meta Temporal Block
主要结构就是GRU