交通预测-STDN-论文阅读

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。。。