论文笔记《Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction》

Abstract

本文主要工作有两方面，其一是基于地铁站点的流量预测，其二是在线OD预测。其中很值得学习的是三个图构造方式，也是论文题目中Physical-Virtual的体现，三个图分别是（后文详细说明）：

• 图1-传统的物理拓扑图 a physical graph
• 图2-流量相似性图 a similarity graph
• 图3-流量相关性图 a correlation graph

Introduction & Methodology

在引言部分，除了简单研究现状外，作者还主要介绍两方面内容：其一，针对流量相似性和相关性的说明；其二，介绍用于构造**流量相似性图（similarity graph）**的方法 Dynamic Time Warping（DTW），下文结合文中METHODOLOGY一节中的图构造相关内容一起说明。

物理图 (physical graph)

基于现实站点的连通特性构造拓扑图，并做 row normalization

流量相似性图 (similarity graph)

• 流量相似性：现实世界的地铁系统中，距离很远或没有直接相连的两点（如B/C），可能因为具有相似功能性而具有类似流量分布特性，可以用虚拟边连接它们。

• 步骤1： 构造该图使用的是Dynamic Time Warping（DTW [1]），利用 DTW 计算各站点的相似性得分矩阵$S(i,j)=\exp \left(-\mathrm{DWT}\left({\mathbf{X}}^i,{\mathbf{X}}^j\right)\right)$。

  [1] D. J. Berndt and J. Clifford, “Using dynamic time warping to find patterns in time series.” in KDD workshop, vol. 10, no. 16. Seattle, WA, 1994, pp. 359–370.

• 步骤2： 随后利用预先设定的阈值 或 取top-k个站点对建立虚拟边

• 步骤3： 对相似性得分矩阵 $S(i,j)$ 做 row normalization $W_s(i,j)=\frac{S(i,j)}{{\sum }_{k=1}^{N}S(i,k)\cdot L\left({\mathcal{E}}_s,i,k\right)}$，其中 如果点 $i/k$ 相连 $L\left({\mathcal{E}}_s,i,k\right)=1$ ，反之 $L\left({\mathcal{E}}_s,i,k\right)$ ${\mathcal{E}}_s=0$

流量相关性图 (correlation graph)

• 流量相关性：现实出行中，可能存在A出发 大部分流向B的情况，该情况视为A/B站点具有高相关性。

• 步骤1： 计算相关性得分，$C(i,j)=\frac{D(i,j)}{{\sum }_{k=1}^{N}D(i,k)}$ 其中 $D(i,j)$ 表示站点 $i\to j$ 所有乘客数量

• 步骤2： 建立虚拟边

• 步骤3： 对相关性得分矩阵 $C(i,j)$ 做 row normalization $W_c(i,j)=\frac{C(i,j)}{{\sum }_{k=1}^{N}C(i,k)\cdot L\left({\mathcal{E}}_c,i,k\right)}$

Model

Graph Convolution Gated Recurrent Unit (GC-GRU)

• 步骤1：基于物理-虚拟图(physical-virtual graphs)计算图卷积 输入 $I_t=\left\{I_t^1,I_t^2,\dots ,I_t^N\right\}$ ，$I_t^i$ 可以为 $t$ 时刻 $i$ 站点的乘客数矩阵 $X_t^i$，或是相应特征矩阵。图卷积系数 均为可训练的参数， Θ = { Θ l , Θ p , Θ s , Θ c } \Theta=\left\{\Theta_{l}, \Theta_{p}, \Theta_{s}, \Theta_{c}\right\} Θ={Θl​,Θp​,Θs​,Θc​} 分别表示自连接图的系数、物理拓扑图的系数、流量相似性图的系数和流量相关性图的系数。

• 步骤2：放到GRU中捕捉时空关系 ${\Theta }_{rx}$ 表示 $R_t$ 和 $X_t$ 的图卷积系数， ${\Theta }_{rh}$ 表示 $R_t$ 和 $H_{t-1}$ 的图卷积系数

综上，GC-GRU可以表示为$H_t=\mathrm{G}\mathrm{C}\mathrm{G}\mathrm{R}\mathrm{U}\left(I_t,{\tilde{H}}_{t-1}\right)$

Fully-Connected Gated Recurrent Unit (FC-GRU)

刚刚的GC-GRU用于捕捉局部的时空信息，该节中的FC-GRU用于学习全局时空信息

• 步骤1：Embedding 先将 $I_t$ 和上一时间段的隐藏层输出 ${\tilde{H}}_{t-1}$，放到全连接层中 $I_t^e=\mathrm{F}\mathrm{C}\left(I_t\right),H_{t-1}^e=\mathrm{F}\mathrm{C}\left({\tilde{H}}_{t-1}\right)$
• 步骤2：放到GRU中捕捉时空关系 GC-GRU可以表示为$H_t^g=\mathrm{F}\mathrm{C}\mathrm{G}\mathrm{R}\mathrm{U}\left(I_t^e,H_{t-1}^e\right)$

Collaborative Gated Recurrent Module (CGRM)

CGRM 即为将上述两个GRU模块以全连接形式连接起来，特征连接 ${\tilde{H}}_t^i=\mathrm{F}\mathrm{C}\left(H_t^i\oplus H_t^g\right)$

Physical-Virtual Collaboration Graph Network (PVCGN)

模型使用 Seq2Seq 框架，中间部分使用上述提到的 CGRM 模块：

Experiments

Experiments Settings

• 数据集：上海地铁 杭州地铁

• virtual graphs 的构造：针对上海地铁，为了节省 GCN 计算开销，只选取 10-top 站点对构造虚拟边；针对杭州地铁，因为规模较小，设置 similarity/correlation thresholds 分别为0.1/0.02

Comparison with State-of-the-Art Methods

• 三类传统的时间序列模型：Historical Average、Random Forest、Gradient Boosting Decision Trees
• 三类传统深度学习模型：Multiple Layer Perceptron、Long Short-Term Memory、Gated Recurrent Unit
• 五类近年提出的图网络模型：ASTGCN、STG2Seq、DCRNN、GCRNN、Graph-WaveNet

在实验中也从不同角度进行对比：

• 整个测试集对比
• 测试集中的 rush-hour 时间段对比
• 高客流量站点对比
• 运算效率对比

Component Analysis

• 有无三类图的模型对比测试
• 有无 FC-GRU 层的模型对比测试