交通时空数据预测·论文阅读

Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

        论文来自2021年的AAAI，作者是来自清华的Mengzhang Li, Zhanxing Zhu

• 摘要：由于不同道路之间复杂的空间相关性和时间模式的动态趋势，使得交通流时空数据预测成为一项具有挑战性的任务。现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间相关性。然而，不完全相邻连接的给定空间图结构的有限表示可能会限制这些模型的有效时空依赖学习。此外，现有的方法在解决复杂的时空数据时显得力不从心：它们通常使用单独的模块来处理时空相关性，或者它们只使用独立的组件来捕获局部或全局异构依赖关系。为了克服这些局限性，本文提出了一种新的时空融合图神经网络（STFGNN）用于交通流预测。首先，提出了一种数据驱动的“时间图”生成方法，以补偿空间图可能无法反映的若干现有相关性。SFTGNN通过对不同时间段并行处理的各种时空图进行新的融合操作，可以有效地学习隐藏的时空依赖关系。同时，通过将该融合图模块和一个新的门卷积模块集成到一个统一的层中，SFTGNN可以处理长序列，从而学习更多的空间-时间依赖性，并将层堆叠起来。在几个公共交通数据集上的实验结果表明，我们的方法均比其他基线达到了最先进的性能。（该模型数据是预定义的，即邻接矩阵作为数据输入）
• 模型框架图：模型采用DTW算法构建时间图，并与空间图、连接图（不是很理解这个图具体是什么）融合。
• 数据集采用PEMS3,4,7,8，用的是交通流特征
• 论文源代码

---

TrajNet: A Trajectory-Based Deep Learning Model for Traffic Prediction

        论文来自2021年的KDD

• 摘要：Ube和滴滴等共乘服务公司提供租车服务，乘客和司机通过移动应用程序匹配。因此，收集了大量可用于交通预测的车辆轨迹和车速数据。最近，图卷积网络（GCN）的流行为实时交通预测开辟了新的可能性，许多基于GCN的模型被提出用于捕捉城市道路网络的空间相关性。然而，基于图的方法无法捕捉到轨迹捕捉到的连续路段的复杂依赖关系。                      我们没有提出另一种基于GCN的交通预测模型，而是提出了一种新的深度学习模型，将车辆轨迹视为首要数据。我们的模型称为TrajNet，通过沿真实轨迹传播信息来捕获交通流的空间依赖性。为了提高训练效率，我们使用trie结构将用于训练的多条轨迹组织成一批，以重用共享计算。TrajNet使用空间注意机制自适应捕获不同路段之间的动态相关性，并使用扩展的因果卷积捕获长期时间依赖性。我们还采用基于轨迹的细化框架，解决了由轨迹覆盖的细粒度路段与粗粒度的地面真实交通数据之间的不一致性问题。在真实交通数据集上的大量实验验证了TrajNet相对于最先进模型的性能优势。
• 模型图：

---

Dynamic and Multi-faceted Spatio-temporal Deep Learning for Traffic Speed Forecasting

论文来自2021年的KDD，主要作者是来自北航和鹏程实验室的Liangzhe Han, Bowen Du, Leilei Sun.

• 摘要：动态图神经网络（DGNNs）已成为最有前途的交通速度预测方法之一。然而，当采用DGNN进行交通速度预测时，现有方法通常基于静态邻接矩阵（无论是预定义的还是自学习的）来学习不同路段之间的空间关系，即使两个路段的影响在一天中可以动态变化。此外，未来的交通速度不仅与当前的交通速度有关，还受到交通流量等其他因素的影响。为此，在本文中，旨在探索交通数据中固有的这些动态和多方面的时空特征，以进一步挖掘DGNNs的潜能，更好地预测交通速度。具体来说，作者设计了一种动态图构建方法来学习路段特定时间的空间依赖性。然后，提出了一种动态图卷积模块，通过在动态邻接矩阵上传递消息，将相邻节点的隐藏状态聚合到焦点节点。此外，还提供了一种多面融合模块，以将从交通流量中学习的辅助隐藏状态与从交通速度中学习的主隐藏状态结合起来。最后，在真实数据上的实验结果表明，该方法不仅可以达到最好的预测性能，而且还可以获得清晰的、可解释的路段动态空间关系。