Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction学习笔记

Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction学习笔记

解决的问题: 如果网络结构中来了新的地点（如地铁站），预测该节点的人流量。即潜在人流量预测。

Motivation&Contributions

1.进行某个站点的人流量预测时，需要考虑其他交通模式。如待预测的地点为地铁站（图中的节点），需要考虑其他交通模式（其中的其他节点，但可能是公交站，出租车站等）。这些模式之间的关系很复杂。如何建模这种关系呢？作者设计一种跨模态的消息传递机制作用到异质图中建模不同交通模式之间的关系。
2. 分流现象。即新建的地铁站会影响到其他站点。因此作者构建了一个局部图（以目标节点为中心），同时考虑了地理相似性和POI相似性。
3.其他站点对自身的影响。即怎么样学到自己的表示。

前置定义
$G_{v_o}^{(t)}=（V,\epsilon ,R）$: 表示在时间$t$,以节点$v_o$为中心的异质图。$V$是图中节点的集合，但是共有$P$种不同类型的节点。 R = { r G E O ∪ r P O I } R=\{r_{GEO}\cup r_{POI}\} R={rGEO​∪rPOI​}，表示两种不同类型的边（地理相似和POI相似）。

方法

模型主要分为四部分：（1）预处理；（2）扩模态局部图构建（根据地理和POI相似性编码邻居站点的模式间和模式内的关系）；（3）归纳式目标节点的表示（学习邻居节点的表示，然后归纳出目标节点）；（4）LSTM时序建模。

扩模态局部图构建
1.多种关系对编码，这里考虑了地理关系和POI关系。

局部图构建
这里使用的广度优先遍历方法，对于目标节点$v_o$，找到最近的$M$个邻居，局部图中共有$M+1$个节点。遍历的方式是：先从地理关系图中找该节点的邻居节点，放入队列，然后找POI关系图中该节点的邻居节点，放入队列。找到$M$个节点为止。

归纳式目标节点表示学习
首先对于局部图中，除了目标节点之外的其余$M$个节点 $v_i，1\le i\le M$，提取出每种关系$r$对应的表示。下面公式目的是建模节点之间的相关性。

除了相关性之外，还要考虑扩模态之间的差异性。

最后，为了得到节点$v_i$的表示，需要聚合节点自身、每种关系下其他节点的相关性和差异性。

最后的节点表示由L层图卷积的拼接组成。

目标节点的表示
这里使用的是每个邻居节点的表示，然后通过concat操作进行聚合，来得到目标结果的表示，然后通过LSTM预测下一步。

模型数据集划分
这里因为做的是归纳式学习，因此随机选择20%和10%的节点用于验证和测试，剩余70%的节点为训练集，在时间维度上，训练集使用前60%，而由于验证集和测试集的根本不同在于节点上不同，因此都使用剩余40%的时间片。

这是作者的实验结果，从提升的效果来看确实挺明显的，不过还是第一次看到这么大的RMSE，应该是和数据集有关系。作者还针对多个组件进行了一系列消融实验。

总结
做的点确实是比较新，考虑的因素比较全面，但是方法感觉是单纯的使用了GCN，而且代码没有开源。