论文笔记：Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting

最新推荐文章于 2023-10-11 22:17:50 发布

UQI-LIUWJ

最新推荐文章于 2023-10-11 22:17:50 发布

阅读量552

点赞数

分类专栏：论文笔记文章标签：论文阅读深度学习人工智能

本文链接：https://blog.csdn.net/qq_40206371/article/details/128842409

版权

253 篇文章 61 订阅

订阅专栏

NIPS 2020

1 abstract & intro

当前的大多数深度学习方法基于共享参数设计模型
- 不同节点对应同一套参数
- 但是，由于每条道路的具体情况不一样，使用同一套参数无法捕捉细粒度的数据模式
- ——>这篇论文设计了节点自适应参数学习(NAPL)模块，分解传统GCN中的参数，每个节点有自己的一套参数
当前模型大多使用邻接矩阵来预定义一个图，以捕捉空间相关性
- 这个图不一定能完整地表示空间依赖性‘
- ——>这篇论文设计了数据自适应图生成(DAGG)模块，自动推断不同序列之间的相互依赖关系
这篇论文提出一种自适应图卷积递归网络(AGCRN)，基于节点自适应参数学习(NAPL)模块、数据自适应图生成(DAGG)模块这两个模块和RNN架构，自动捕获交通序列的细粒度时空关联。

N个节点在t个时刻的时间序列可以表示为
- 其中 $\boldsymbol{X}_{\mathrm{r}, \mathrm{t}}=\left\{\mathrm{x}_{1, \mathrm{t}}, \mathrm{x}_{2, \mathrm{t}}, \ldots, \mathrm{x}_{\mathrm{i}, \mathrm{t}}, \ldots \mathrm{x}_{\mathrm{N}, \mathrm{t}}\right\}^{\mathrm{T}} \in \mathrm{R}^{\mathrm{N} \times 1}$
N个节点构成图 $\mathcal{G}=(\mathcal{V}, \mathcal{E}, \boldsymbol{A})$
问题的目标是学习一个预测函数，使得：
- $\left\{\boldsymbol{X}_{:, t+1}, \boldsymbol{X}_{:, t+2}, \ldots, \boldsymbol{X}_{:, t+\boldsymbol{\tau}}\right\}=\mathcal{F}_{\boldsymbol{\theta}}\left(\boldsymbol{X}_{:, t}, \boldsymbol{X}_{:, t-1}, \ldots, \boldsymbol{X}_{:, t-\boldsymbol{T}+1} ; \mathcal{G}\right)$

令 $D^{-\frac{1}{2}} \boldsymbol{A} D^{-\frac{1}{2}}=\operatorname{softmax}\left(\operatorname{ReL} \mathrm{U}\left(\boldsymbol{E}_A \cdot \boldsymbol{E}_A^T\right)\right)$
那么此时GCN进一步变成：
- $\mathrm{Z}=\left(\mathrm{I}_{\mathrm{N}}+\operatorname{softmax}\left(\operatorname{ReL} \mathrm{U}\left(\boldsymbol{E}_A \cdot \boldsymbol{E}_A^T\right)\right)\right) \mathrm{XE}_{\mathcal{G}} \mathrm{W}_{\mathcal{G}}+\mathrm{E}_{\mathcal{G}} \mathrm{b}_{\mathcal{G}}$

关注