基于时空图卷积网络的铁路延误预测

基于时空图卷积网络的铁路延误预测

Railway Delay Prediction with Spatial-Temporal Graph Convolutional Networks

将铁路网上的延迟预测描述为一个时间序列回归问题，在过去的一定时间步长内观察到的车站之间的延迟用来推测未来一定时间步长最有可能的延迟时间，用公式表示为：

Vt表示的是由铁路网上的N个节点组成的关于迟延时间的特征张量。在已知Vt - Npast到Vt时间长度为Npast内的历史数据条件下，预测Vt+Nfuture的延时时间。
将铁路网定义为一个无向图

，其中，V代表N个节点的集合；E是一组边，表示节点之间的连通性；X代表的是随时间变化的节点的延时特征。使用邻接矩阵来捕获数据中的空间关系。

上图左一即为该网络的基本框架，该架构包含两个堆叠的时空卷积块(ST-Conv块)，然后是一个输出块，该输出块本身由一个时间卷积组成，使用L2损失函数来训练这个架构，定义为：

其中，θ是可训练的模型参数，是未来是实际场景，f（·）表示模型的预测。
ST-Conv块结构由有两个门控序列卷积模块和中间的一个空间图卷积模块构成。处于中间的时间卷积层，承接两个时间卷积层，可取得使空间状态能够从图卷积到时间卷积快速传播。这种网络结构也助于充分应用瓶颈策略来实现通过压缩通道来进行规模缩放和特征压缩(目的是为了减少学习参数)。空间图卷积模块用来捕获空间信息，由于铁路网是非结构化的图像，图卷积定义为图中的信号x与卷积核的卷积，即：

其中，U为图傅里叶基，它是归一化后的拉普拉斯矩阵的特征向量矩阵，是拉普拉斯矩阵特征值的对角矩阵，为了使得图卷积的运算复杂度降的更低，采用切比雪夫一阶近似的图卷积来进行简化。
ST-Conv中的门控序列卷积模块来捕获时间特征，包含一个一维因果卷积，卷积核的宽度为，之后接一个门控线性单元激活，它决定了过去的输入对未来预测的重要性。对于图G中的每个节点，通过时间卷积搜索输入元素的Kt邻域使得每次将序列长度缩短，时间门控卷积公式为：

其中，P, Q分别是GLU的门输入，表示元素对应相乘，sigmoid门控制当前状态的哪个输入P与时间序列中的组成结构和动态方差相关。
因此，由两个门控序列卷积模块和中间的一个空间图卷积模块构成的ST-Conv定义为：

其中，和是第l块内的时间核，是图卷积的核，ReLU表示一个修正的线性单位激活。
最后的模型是堆叠两个ST-Conv Block之后接一个输出层，其中输出层首先用时间维度的卷积将之前的输出数据的时间维度进行合并，合并之后在经过一个卷积输出最终的预测数据，预测数据就是下一个时间维度的一张图。