2F-TP: Learning Flexible Spatiotemporal Dependency for Flexible Traffic Prediction论文笔记

2F-TP: Learning Flexible Spatiotemporal Dependency for Flexible Traffic Prediction论文简析

论文的核心是利用下式：历史M个时间步(x)的交通信息预测未来H时间步(y)的交通信息：

1.首先构造基于道路距离的空间图和基于道路之间关系的语义空间图，Gd和Gp。如下式：

PS：用双空间图来进行构造在之前的论文中已经提出过

a.Gd=（V,E,Ad）邻接矩阵Ad的各个元素表示相应各个道路之间的距离

b.Gp用来体现空间依赖的时变性。

​ 构建Gp的步骤如下：

​ 第一，初始化一个可学习的权重矩阵用于第n次时间步的所有节点。记为

E(n)的第i行表示节点Vi的相应信息。

​ 第二，我们用下式计算每两个节点的内积。

第三，再用Ac邻接矩阵和它相乘。如下式：

2.双图卷积公式定义如下：

3.双向选通递归层的公式如下：

接下来，我们使用两个并行GRL来形成一个Bi-GRL，以学习交通流的前向和后向顺序上下文。第n个时间步的传播可以表示为：

请注意，上述序列中的每个隐藏状态在一个时间步包含维度2F for Nnodes的时空特征。然后，我们将介绍如何从这些隐藏状态中提取更多信息量的时空特征，以用于未来的流量预测。

简单来说就是如下三个式子以及一个图：

即先平均池化，再采用了一种瓶颈结构，在非线性函数周围有两个完全连接的（FC）层来计算注意权重，最后用hn和a相乘：


然后再利用这个构建三个矩阵，即Q矩阵、K矩阵和V矩阵：

之后便是下图。