论文笔记：Dual Dynamic Spatial-Temporal Graph ConvolutionNetwork for Traffic Prediction

IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 2022

1 intro

1.1 背景

• GCN和TCN被引入到交通预测中
  • GCN能够保留交通网络的图结构信息
  • TCN能够捕获交通流的时间特征
• 基于GCN的交通预测方法依赖于如何构建图或邻接矩阵
  • 将道路段的交通测量作为节点
  • 通过不同道路段的直接连接来构建图
• 道路段上的交通流量测量及其相关性在空间和时间上会动态变化（eg交通事故）
  • ——>这些静态图无法模拟其动态属性
  • ——>一些最新方法尝试通过实时观测到的交通数据为GCN构建动态图或邻接矩阵
    • 目前基于动态图的模型仅利用道路段节点之间直观的交通数据依赖性，并将其表示为动态边
    • 这种动态交通图的高阶依赖性尚未被充分利用，例如这些动态边之间的依赖性
    • 如何揭示和利用动态交通图中潜在的高阶依赖性以提高交通预测性能是一个新的重要问题
    • 对于动态边之间的依赖性，与具有确定交通测量值的节点相比，边除了交通流图的方向和结构外，没有直接可获得的特征。因此，如何建立动态边特征是另一个重要问题

1.2 本文思路

•  提出了一种新颖的双重动态空间-时间图卷积网络（DDSTGCN）用于交通预测

  • 通过双重变换构建交通流图的双重超图，以捕获交通流图边的相关性

  • 为了揭示动态交通系统的复杂空间-时间属性，我们在超图和图的序列上实现了GCNs，其中设计了一个动态交互模块（DIM）来在双重动态GCNs之间传播特征

 2 问题定义

3 Preliminary

3.1 GCN

 

3.2 超图

3.3 交通预测中的时空特征表征 

3.3.1 空间：GCN的扩展

• 前面公式(2)中的原始GCN无法有效模拟交通动态的空间随机性
  • ——>提出了一个具有N阶有限步长的图信号扩散过程来模拟交通空间建模
    • 
    • 
  • 为了进一步捕获有向交通图中交通数据的上游和下游效应，扩散过程扩展为双向模型
    • 
    • 

3.3.2 时间：RNN的平替

• 基于RNN的方法在处理长序列时效率较低，且不能并行处理数据
  • ——>提出了TCNs，结合了一维因果卷积和扩张卷积
    • 
  • 受序列建模中门控机制的启发，后续还有Gate-TCN

4 模型

4.1 整体模型

4.2 双时空块

4.2.1 图-超图互转

4.2.2 动态交互模块

【交通图和交通超图 边属性的动态更新】

 4.2.3 动态超图卷积

4.3 输入层和输出层

5 实验

5.1 数据集

• 每五分钟采样一次，并应用Z-score 初始化
• METR-LA和PEMS-BAY数据集，初始交通流图是基于道路段之间的距离构建的
• PEMS03、PEMS04、PEMS07和PEMS08数据集的初始交通流图则是基于道路段连接构建的
• 数据集按时间顺序划分为训练集、验证集和测试集，比例为METR-LA和PEMS-BAY的7:1:2，PEMS03、PEMS04、PEMS07和PEMS08的6:2:2
• 输入时间序列的长度等于输出时间序列的长度，即 T′=T=12
  • 利用前一个小时的数据来预测下一个小时的数据

5.2 实验结果

5.3 超参数敏感性

5.4 ablation study

5.5 计算开销