1、(2015)Traffic Flow Prediction With Big Data: A Deep Learning Approach
提出了一种基于深度学习的交通流预测方法,该方法考虑了交通流的时空相关性。
一个堆叠的自动编码器模型用于学习通用的流量特征,以贪婪的分层方式训练。
这是第一次使用自动编码器作为构建块来应用深度架构模型来表示用于预测的流量特征。
框架使用两部分:SAE + 预测器
2、DCRNN
通过图上的随机游动捕获空间特征,通过编解码结构捕获时间特征。
3、T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction
为了同时捕获空间和时间依赖关系,文章提出了一种基于神经网络的交通预测方法—时间图卷积网络(T-GCN)模型,该模型结合了图卷积网络(GCN)和门控递归单元(GRU)。GCN用于学习复杂的拓扑结构来捕获空间依赖关系,GRU用于学习交通数据的动态变化来捕获时间依赖关系。T-GCN模型应用于基于城市路网的交通预测。实验表明T-GCN模型预测结果优于基准模型。
文章是以预测速度为例。
现有的流量预测方法可分为两类:
- 模型驱动方法
- 数据驱动方法
大量预测精度较高的方法:
- 参数模型
- 非参数模型
文章模型框架:
具体来说,T-GCN模型由两部分组成:图卷积网络和门控循环单元。如图3所示,我们首先使用历史n个时间序列数据作为输入,利用图卷积网络捕捉城市道路网络的拓扑结构,获得空间特征。其次,将获得的具有空间特征的时间序列输入到门控循环单元模型中,通过单元之间的信息传递获取其动态变化,捕捉时间特征;最后,我们通过全连接层得到结果。
空间依赖建模:GCN模型在傅里叶域中构造一个滤波器,该滤波器作用于图的节点及其一阶邻域,捕捉节点之间的空间特征,然后通过叠加多个卷积层来构建GCN模型。
理解一个两层的GCN模型。
损失函数 :目标是最小化道路上的真实的交通速度与预测值之间的差值。
使用的数据集:SZ-taxi dataset and Los-loop set。包含了邻接矩阵,空间关系。特征矩阵,每条道路上的速度随时间变化。
评价指标:
- 均方根误差RMSE
- 平均绝对误差MAE
- 准确性accuracy
- 决定系数R2
- 解释方差得分var
TGCN相关的博客,如下所示:
交通预测-T-GCN-时间图卷积网络代码及原理
其中TGCN源码不是采用pyg写的,而是使用了原始的GCN计算方式,使用一些矩阵乘法做的。
TGCN论文尝试复现:
创建虚拟环境,python版本3.8
安装requirements
创建main.py
创建models软件包,实现其中的三个model
创建utils软件包
创建tasks软件包
更多有关交通预测代码:TGCN