1.文章标题
《Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction》
2.简介
虽然现有的工作对空间依赖以及时间动态做出了强有力的假设,但在实践过程中,空间依赖性可能是动态的,时间的周期性特性是动态变化的;
本文提出了一种新的时空动态网络(STDN),引入一种流动门控机制来学习位置之间的动态依赖,设计了一种周期转移注意机制来处理长期的周期性时间转移;
经过真实交通数据集上的实验结果验证,方法有效。
4.主体部分
将城市分割成一个ab的网格图,总共有n = ab个区域
(1)时空依赖 —— 采用局部CNN来建模
在每一个时间端 t,将区域 i 和 它的邻居们看成一个 有两个通道的S*S的图,一个通道是开始容量信息,另一个是结束容量信息。目标区域是这张图的中心。
学习函数为:
(2)Spatial Dynamic Similarity: Flow Gating Mechanism
使用局部CNN对区域间的交通流进行建模,如果两个区域之间存在更多的流动,它们之间的关系就会更强(即,它们更相似)
对每个时间段内的两个区域的交通流,进行建模
学习函数为
由于加入了交通流门控机制,公式(1)进一步写为
在K个卷积层叠加后,使用扁平层后的全连接层来推断区域 i 的空间表示
(3)短期时间依赖 —— LSTM
学习函数为:
(4)长期时空动态 —— LSTM
由于上文都是对短期间隔进行时空信息进行建模,而没有考虑长期信息,而交通流量数据并不是严格的周期性的,例如,工作日的高峰时间通常是在下午,但可能从下午4点半到下午6点不等。由于事故或交通拥堵,周期性信息的时间转移在交通序列中普遍存在。下图显示了在不同天数和数周之间的时间变化:
因此我们加入了周期性转移的注意机制(PSAM),在之前的时间间隔里进一步选择一些时间间隔:
我们在Q中进一步选择Q时间间隔。例如,如果预测时间是晚上9点-9:30,我们选择预测时间前后1小时(即晚上8:00-10:30和|Q|=5。
局部模型图解如下:
学习函数为:
每天的交通流量为所选的时间间隔的流通加权求和
然后,我们使用另一个LSTM,通过使用这些周期表示作为输入来保存顺序信息。
![在这里插入图片描述](https://img-blog.csdnimg.cn/b53b2b9fa8be484c9469977d9091ecb5.png
最终的预测函数:
(5)损失函数
也不知道对不对,就酱紫记录一下吧。。。