Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
论文简介
发表时间:2019 AAAI
发表单位:北京交通大学
论文链接:https://aaai.org/ojs/index.php/AAAI/article/download/3881/3759
PPT链接:https://github.com/Davidham3/ASTGCN/blob/master/ASTGCN_ppt.pdf
论文背景
交通预测是智能交通系统的关键一环。特别是对于高速公路的车流量预测来说,由于高速公路车流大,车速快,一旦发生拥堵则会严重影响交通容量。因此如果能够提前预测流量高峰,疏散交通,就能够避免拥堵的产生,因此这个问题是有意义的。
高速公路车流预测是一个典型的时空数据预测问题,本文主要围绕此问题开展了研究。选取的数据集是PeMS,来自于加州的公路记录仪。
摘要
交通流量预测是交通领域研究人员和实践者面临的一个关键问题。然而,由于交通流通常表现出高非线性和复杂的模式,这是一个非常具有挑战性的问题。现有的交通流量预测方法大多缺乏对交通数据时空动态相关性建模的能力,无法得到满意的预测结果。本文提出了一种基于注意力的时空图卷积网络(ASTGCN)模型来解决交通流预测问题。ASTGCN主要由三个独立的组件组成,分别对交通流的三个时间特性进行建模。当前依赖、日周期依赖和周周期依赖。更具体地说,每个组件包含两个主要部分:1)时空注意机制,有效地捕捉交通数据的动态时空相关性;2)时空卷积,同时使用图形卷积来捕捉空间模式,使用常用标准卷积来描述时间特征。这三个分量的输出被加权融合以产生最终的预测结果。来自PeMS的实验数据表明,提出的ASTGCN模型优于当前的最优模型。
相关研究
模型分类 | 具体算法 | 缺点 |
---|---|---|
传统时间序列分析 | HA,ARIMA | 难以处理不稳定、非线性数据 |
传统机器学习 | SVM | 虽然能够处理复杂数据,但是(1)难以同步考虑高维交通数据的时空相关性(2)依赖于特征工程,需要较多专家经验 |
传统深度学习 | CNN,LSTM | 虽然可以提取时空特征,但是只能处理结构化的2D或者3D等规则数据 |
基于图的深度学习 | GCN,Chebynet,GGCN | 没有同时考虑动态时空相关性 |
作者觉得他们都不行,因此作者提出将注意机制和时空数据的特点结合起来。
论文所做的工作
- 开发了一个时空注意机制来学习交通数据的动态时空关联。具体地说,空间注意被用于模型之间的复杂的空间相关性的不同位置。时间关注应用于捕获不同时间之间的动态时间相关性。
- 为建立交通数据的时空相关性模型,设计了一种新的时空卷积模型。它包括从原始的基于图的交通网络结构中获取空间特征的图形卷积和描述邻近时间片依赖关系的时间维度卷积
- 在现实世界的高速公路交通数据集上进行了大量的实验,取得了最佳效果
符号定义和问题定义
本文将交通网络定义为一个无向图G=(V,E,A)V是节点集合,共有N个。E是边集,A是邻接矩阵(N*N)。每个节点的特征向量为F,有三个属性,流量flow,车速speed,占用occupy如b图所示。
符号定义:
问题定义:
变量 | 含义 |
---|---|
(输出)Y= ( y 1 , y 2 , . . . , y N ) T ∈ R N × T p (y^1,y^2,...,y^N)^T ∈ R^{N×T_p} (y1,y2,...,yN)T∈RN×Tp | 交通网络上的所有节点在接下来的 τ p \tau_p τp个时间片的流量值, |
y i y^i yi= ( y τ + 1 i , y τ + 2 i , . . , y τ + T p i ) (y^i_{\tau+1},y^i_{\tau+2},..,y^i_{\tau+T_p}) (yτ+1i, |