【交通流预测】SATP-GAN: self-attention based generative adversarial networkfor traffic flow prediction

文章信息：

期刊：Transportmetrica B: Transport Dynamics

时间：2021

作者：Liang Zhang, Jianqing Wu, Jun Shen

文章思路：

研究方法：新的时间序列预测模型，即自注意力生成对抗网络（SATP-GAN）。由GAN模块和强化学习(RL)模块组成，自注意力层代替RNNs（递归神经网络）来捕捉时间序列数据的模式。

现有方法的缺点：

1. 预测交通流量的目标往往不能达到缓解交通拥挤的预期效果。
2. 在多步长交通流预测方面效果不佳。
3. 现有方法，特别是递归神经网络的级联依赖结构，需要大量的乘法、内存访问和非线性变换等低能耗操作，无法保证高计算速度和低功耗。
4. 为了获得最优的交通流预测性能，需要调整超参数优化以适应统计特性。 现有的方法往往依赖于手动设置。

文章贡献（）创新点

• 提出了一个新的框架SATP-GAN，它利用自注意、GAN和RL机制来预测交通流量。
• 自注意机制取代了RNN（LSTM & GRU）的顺序性质
• GAN用于生成预测的新数据，使用RL来调整参数
• 在多步长交通流量预测中可以避免累积误差。一个时间步长的输出是从整个历史记录中计算出来的，而不仅仅是输入，它的当前隐藏状态可以学习长期依赖关系。

模型结构

将历史流量输入GAN模块 ----->对基于自注意机制的GAN模块和CNN进行训练 ----->通过RL模块调整GAN参数，使GAN模块稳定。 

生成器：

前馈神经网络引入前馈神经网络用于从自注意层生成预测数据

Generator的超参数由self_attention的层数组成前馈神经网络FFNN的层数。

 鉴别器的输入分别是真实的数据和预测数据，输出是分类结果，如预测数据是否为真，以及生成器和鉴别器的置信度值。

在CNN输出的基础上，第一个神经网络用于检测数据是否来自真实的数据;第二神经网络用于评估鉴别器;第三神经网络用于评估生成器。

鉴别器的超参数是CNN层的层数ncnn和CNN结构的滤波器数目nfilter;三个神经网络（ncnn，ndis，ngen）的层数。

强化学习模块：应用RL模块来调整生成器和鉴别器的超参数。

强化学习特点：没有监督数据，只有奖励信号

 RL模块被分成两部分，分别使用Q学习算法来调整超参数.

【补充】Q学习：

整体流程：STAP-GAN算法不仅训练基于自注意力的GAN模型，而且使用RL方法来优化生成器（G）和鉴别器（D）的超参数。

1. 输入交通流数据，初始化生成器（G）和鉴别器（D）的超参数，同时训练GAN和RL模型。
2. 固定生成器（G）的超参数，训练GAN模型并使用RL模型来控制鉴别器（D）的超参数，直到RL模型找到最佳超参数。
3. 固定鉴别器（D）的超参数，训练GAN模型并使用RL模型来控制生成器（G）的超参数，直到RL模型找到最佳超参数。
4. 重复这两个步骤，G和D都将在RL模型的帮助下找到它们的最佳超参数。

算法流程：

实验部分：

数据集：兰州的一个十字路口收集了交通流量，其中包含了一个月内每小时的车辆数量。交通流四个不同的方向：西、东、北、南。选择了一种最先进的对象检测方法，从视频中可以通过交叉口的空间模式来区分落入四个方向的车辆。

结果：

总结：

1. 生成器鉴别器模块简单，没有考虑数据的非欧结构，可尝试使用GCN（进行后续改进）
2. 引入强化学习，来优化生成器（G）和鉴别器（D）的超参数（思想值得借鉴）
3. 考虑多步长的时间序列预测
4. 文章中对于RL模块描述较少，不清晰，引言部分对于以往模型的解释过多。
5. 实验简单，只做了基线对比，可考虑加入消融，解释使用GAN以及强化学习的好处。考虑交通流的趋势季节相关性。