周期性处理
- 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 T_p Tp时间步的流量时考虑这两种周期模式,除了引入过去 T h T_h Th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 w w周内同一天的流量记录的 T p T_p Tp片也当作输入。即 X g ∈ R N × C × w ∗ T p X_g \in R^{N \times C \times w * T_p} Xg∈RN×C×w∗Tp
- 局部周期性:为了捕获局部周期性,我们考虑过去连续
d
d
d中
T
p
T_p
Tp个交通记录片,即
X
l
∈
R
N
×
C
×
d
∗
T
p
X_l \in R^{N \times C \times d*T_p}
Xl∈RN×C×d∗Tp
获得了全局周期张量 X g X_g Xg和局部周期张量 X l X_l Xl,将它们与过去的 T h T_h Th时间步长张量 X X Xconcatenate起来,得到一个新的输入张量 R N × C × ( w ∗ T p + d ∗ T p + T h ) R^{N \times C \times(w*T_p+d*T_p+T_h)} RN×C×(w∗Tp+d∗Tp+Th)
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 ) F_t^r = (F_{t-T_r},F_{t-T_r+1},...,F_{t-1}) Ftr=(Ft−Tr,Ft−Tr+1,...,Ft−1)
- daily: F t d = ( F t − T d ∗ q , F t − ( T d − 1 ) ∗ q , . . . , F t − q ) F_t^d = (F_{t-T_d*q},F_{t-(T_d-1)*q},...,F_{t-q}) Ftd=(Ft−Td∗q,Ft−(Td−1)∗q,...,Ft−q)
- weekly: F t w = ( F t − T w ∗ 7 q , F t − ( T w − 1 ) ∗ 7 q , . . . , F t − ∗ 7 q ) F_t^w = (F_{t-T_w*7q},F_{t-(T_w-1)*7q},...,F_{t-*7q}) Ftw=(Ft−Tw∗7q,Ft−(Tw−1)∗7q,...,Ft−∗7q)
- (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 t 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 t 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
)
∈
R
T
s
×
N
X^S = (X_{1,n+1},...,X_{T_s-1,n+1},X_{T_s,n+1}) \in R^{T_s \times N}
XS=(X1,n+1,...,XTs−1,n+1,XTs,n+1)∈RTs×N
- - 长期: X L = ( X 1 , 1 , X 2 , 1 , . . . , X T s , 1 , X 1 , 2 , . . . , X T s , n ) ∈ R n T s × N X^L = (X_{1,1},X_{2,1},...,X_{T_s,1},X_{1,2},...,X_{T_s,n}) \in R^{nT_s \times N} XL=(X1,1,X2,1,...,XTs,1,X1,2,...,XTs,n)∈RnTs×N