periodic process

周期性处理

1. Learning Dynamics and Heterogeneity of Spatial-Temporal Graph Data for Traffic Forecasting（ASTGNN）
   考虑：全局周期性和局部周期性

• 全局周期性：是由于人类活动的规律性产生的，例如，通勤者每周一早上8点离家，因此在一周的同一天的同一时间，交通状况往往是相似的。
• 局部周期性：往往是由气候或天气的变化引起的，如大雪连续三天的交通速度与其他天明显不同。
  为了在预测future$T_p$时间步的流量时考虑这两种周期模式，除了引入过去$T_h$时间步的历史记录外，还引入了另外两个历史记录。
• 全局周期张量：为了捕获全局的周期性，将过去$w$周内同一天的流量记录的$T_p$片也当作输入。即$X_g\in R^{N\times C\times w\ast T_p}$
• 局部周期性：为了捕获局部周期性，我们考虑过去连续$d$中$T_p$个交通记录片，即$X_l\in R^{N\times C\times d\ast T_p}$
  获得了全局周期张量$X_g$和局部周期张量$X_l$，将它们与过去的$T_h$时间步长张量$X$concatenate起来，得到一个新的输入张量 $R^{N\times C\times (w\ast T_p+d\ast T_p+T_h)}$

用的是未来的P个时间段，直接拼接到输入。
2. Spatiotemporal Deep-Learning Networks for Shared-Parking Demand Prediction

交通流具有很强的周期性。当前的流量依赖于最近的时间间隔、每日和每周的时间尺度，即具有周期性移动属性。日周期属性和周周期，是指前几天和前几周内连续几天同时出现的交通状况。例如，如果我们想预测周一上午11点到11点30分之间的共享停车流量，那么为了捕捉每日的周期特征，我们应该利用上一周周三到周日上午11点到11点30分之间收集的数据。（连续几天内得该时间段） 另一方面，为了捕获每周的周期性特征，我们应该使用时间间隔中前两周的周一的数据作为输入。（数周的同一时间内）
考虑三种时间维度：recent, daily, and weekly.

• recent： $F_t^r=(F_{t-T_r},F_{t-T_r+1},...,F_{t-1})$
• daily: $F_t^d=(F_{t-T_d\ast q},F_{t-(T_d-1)\ast q},...,F_{t-q})$
• weekly: $F_t^w=(F_{t-T_w\ast 7q},F_{t-(T_w-1)\ast 7q},...,F_{t-\ast 7q})$

3. （APTN）A Spatial–Temporal Attention Approach for Traffic Prediction 下载链接
   利用注意力机制建立了spatial、temporal和periodic相关性模型。如下图所示，首先，利用全连接神经网络提取输入向量的特征；然后，我们用一个recuurrent skip-connection 神经网络来处理长期的周期性输入。在Encoder中，提出了一种新的注意力机制，对空间依赖性和周期性依赖性进行编码。最后，在Decoder中，应用一种temporal注意机制来捕获编码器隐藏状态在所有时间步骤中的依赖项。
   

对于交通数据集，有一个明确的日/周模式。为了预测当前$t$时间的state，除了recent的记录外，一个精确的模型还需要利用历史的$t$时间得记录。因此，在我们的模型中，考虑了short-term 和long-term 的 periodical dependencies.

• 短期：$X^S=(X_{1,n+1},...,X_{T_s-1,n+1},X_{T_s,n+1})\in R^{T_s\times N}$
  -
• 长期：$X^L=(X_{1,1},X_{2,1},...,X_{T_s,1},X_{1,2},...,X_{T_s,n})\in R^{n{T}_s\times N}$