基于多任务深度学习的时空网络流量预测 IEEE TKDE 2019

Flow Prediction in Spatio-Temporal Networks Based on Multitask Deep Learning

文章链接: Flow Prediction in Spatio-Temporal Networks Based on Multitask Deep Learning.

Abstract

时空网络中的流量预测(如车辆、人群和自行车的流量)在交通系统中起着重要的作用，它包括一个节点的进出流量和不同节点之间的过度。然而，这是一个非常具有挑战性的问题，它受到多种复杂因素的影响，如不同地点之间的空间相关性、不同时间间隔之间的时间相关性以及外部因素(如事件和天气)。此外，节点处的流(称为node flow)和节点之间的过渡(边缘流edge flow)相互影响。

为了解决这些问题，本文提出了一个多任务深度学习框架，它可以同时预测时空网络中的节点流和边缘流。在全卷积网络的基础上，本文设计了两个复杂的模型，分别用于预测节点流和边缘流。这两个模型通过耦合其中间层的潜在表示连接起来，并一起进行训练。外部因素（external factor）也通过门控融合机制整合到框架中。在边缘流预测模型中，本文采用嵌入组件来处理节点间的稀疏过渡。基于北京和纽约的出租车数据对本文的方法进行了评价。实验结果表明，该方法在ConvLSTM、CNN和马尔可夫随机场等11个基线之外都具有较好的性能。

一、Introduction

学习他的写法

上图说明了SP-network中的node flow和edge flow。
本文所做的工作就是实现以上预测。

挑战（难点）：

• Scale and complexity
  一个城市具有众多区域(N)，区域间的交互存在($N^2$)的可能；同时还要考虑不同时间下的traffic变化，这给传统机器学习模型例如概率图带来了巨大的挑战。
• Model multiple correlations and external factors（模型需要考虑多种相关性和额外因素）
• Dynamics and sparsity
  $N^2$中交互可能性下，下一时间区域间的transitions具体来看会非常稀疏（相对于$N^2$）。这给预测带来了很大挑战。

为解决以上挑战，本文提出了Multitask Deep-Learning(MDL)来统一和同时地（collectively and simultaneously）预测预测节点和边缘流(flow)。

本文贡献：

• 提出的MDL框架通过deep neural network预测 flow at nodes(entitled NodeNet)和edge flow（entitled EDGENET）,这两种深层神经网络通过它们的潜在层连接