Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting
0. 论文基本信息
AAAI 2021 北京大学 被引用 164 次
1. 简介
时空数据预测任务,尤其是交通数据,近来被广泛的学习,因为
- 交通预测是ITS最重要的组成部分之一,对日常生活有着极大的影响
- 时空数据结构在现实生活中也很有代表性:基于位置的数据例如风能站,天气监控站和发射塔等都可视为时空数据结构
GNN在交通时序预测中已经取得了一些成绩,但是还存在以下缺点
- 通过含不完全的邻接连接的空间图结构表示能力有限,限制了这些模型有效地学习时空相关性。
- 通常使用单独的模块来实现空间和时间相关性,或者只使用独立的组件来捕获局部或全局的异质依赖关系的方法在处理复杂的时空数据时效果不好。
本文提出了一种新的网络STFGNN
- 基于数据驱动的方法构建了一个新的图结构来保存隐藏的时空特征。
- 提出一个有效的框架来同时捕获局部和全局关联,通过将一个门控扩张CNN模块和时空融合图模块进行并行组合; 长期序列时空关联可通过堆叠层来捕获。
- 在真实数据集上的实验取得了好的效果
2. 模型
STFGNN包含以下三个部分,(1)输入层(2)堆叠的STFGN(3)输出层;网络总图如下
2.1 构建时空融合图
2.2 时空融合图神经模块 Spatial-Temporal Fusion Graph Neural Module
在时空融合图神经模块中,轻量级深度学习模型可以通过矩阵乘法、残差连接和最大池化等简单操作提取隐藏的时空依赖关系。在STFGN模块中图形乘法模块的公式如下:
3. 实验
过个数据集上的实验结果对比