《DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING》论文阅读笔记

摘要：时空预测在神经科学、气候和交通等领域有着丰富的应用，其中交通预测就是一个典型的例子，该任务极具挑战性，因为：（1）道路网络中复杂的空间相关性；（2）伴随着道路状况变化的非线性时间动态性；（3）长期预测的内在困难性。为了解决这些问题，我们提出将交通流量建模为一个在有向图的扩散过程（diffusion process），并提出了一个扩散卷积循环神经网络（DCRNN），它是一个针对交通预测的深度学习框架，其考虑了交通流量中的时间和空间相关性。具体来说，DCRNN通过在交通图上的双向随机漫步（bidirectional random walks）来捕获空间相关性，通过带有安排抽样（scheduled sampling）的编码解码（encoder-decoder）架构来捕获时间相关性。我们在两个真实大规模道路网络交通数据集上评估了该模型，得到了高于现有最好基线模型12%-15%的结果。

本文工作

1. 对交通预测问题做了研究，交通预测中有时间和空间相关性，交通空间结构应建模为有向图。提出了diffusion convolution来建模空间相关性，它具有直观的可解释性且计算效率高。

2. 提出了DCRNN模型，其中包含了diffusion convolution、sequence to sequence、scheduled sampling架构或组件，DCRNN还可应用到其他的时空预测任务中。

3. 在两个大规模真实数据集上做了实验评估，对比当前最好模型取得了显著改善的效果。

模型框架

 

实验结果

 

阅读总结

1. 本文针对的是交通速度预测任务，其将交通图建模为有向图，顶点由传感器表示，边由道路表示，相比简单的网格图和无向图更贴近实际，边权重仅简单地由传感器之间的距离来表征，或许可以考虑更多因素来改进。

2. 本文使用扩散卷积来捕获空间相关，使用GRU来捕获时间相关，整个框架是encoder-decoder框架，模型训练时采用了scheduled sampling方法。

3. 该模型可以应用到更多的时空预测任务中。