DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting

DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting

全文结构

摘要：

由于道路网络的复杂时空依赖性，导致获得高准确度的交通预测难。所以这篇文章提出了DSTAGNN解决这些问题。

1.由于历史数据携带道路网络的内在动态信息，利用动态感知图取代卷积中的预定义图

2.构建新图神经网络，包括利用改进的多头注意力机制标识节点之间的相关性；利用多尺度门控卷积实现从多感受野特征获得大范围（wide range of dynamic temporal dependency）的动态时间依赖。

经典方法的分析

1.级联CNN和RNN

适用于 规则网络空间的局部空间相关性，但是在长距离空间相关性非网格道路不可行

2.GCN

适用于非欧几里得空间结构，通过时间序列去预测时空相关性，但是采用静态邻接矩阵标识空间结构

目前的图卷积包括：光谱型 spectral-type GCN 空间型 spatial-type GCN

现存模型没有明确考虑道路网络节点的动态时空先关性

论文贡献

缺乏同时关注短期和长期的时间相关性，造成动态时间依赖性有局限，DSTAGNN可以解决

1.历史数据 ——》空间关联性的动态特性——》构造动态感知图图（取代预定义节点的邻接矩阵）

2.新的时空注意力机制实现获取动态空间关联性。利用GCN中基于多阶切比雪夫多项式的多尺度邻域内的动态空间相关性（空间性图卷积）。其中切比雪夫多项式每阶的输入空间权重可以自适应的调整（获取范围更广的空间维度特征，利用切比雪夫多项式缩放的拉普拉斯矩阵）；多头注意力机制可以实现大范围的时间依赖性。

3.改善的门控卷积，通过将多感受野的时间特征与多尺度门控卷积融合，进一步提高动态时间依赖性的敏感度。

网络结构

由ST blocks 和 预测层 组成

ST blocks（ST注意模块（SA+TA）+ST卷积模块（空间图卷积+时间门控卷积）） 串联，用残差网络连接预测层

动态感知图

时空注意模块

通过顺序组合时间注意（TA）和空间注意（SA），增强动态时空依赖。

时间注意（TA）：

引入多头注意机制可以增强长范围时间依赖

从第（l-1）层的ST模块输出的N个点的M个时间步长那个的c(l-1)维特征通过 残差注意力机制得X。输入到时间注意力模块中。 残差注意力机制允许融合浅和深的时间依赖，获得有效的动态时间依赖；减低梯度消失风险。

过程：H个注意头进行注意力计算——》拼接为O——》进行全连接得o.——》残差连接o.和X.——》归一化得输出Y

空间注意（SA）

将Y进行转置，一维卷积等操作获得空间信息

时控门控卷积：

Gated Tanh Unit(GTU)

公式

改进的GTU（M-GTU）

链接三个不同卷积核GTU操作——》残差链接初始输入——》池化——》RELU——》输出

优势：1.防止梯度消失

2.保持非连续性

3.捕获长，短期时间特征（via multi-scale causal convolution）

实验方法：

烧灼实验（控制变量法）