用于OD需求预测的新型动态节点-边缘注意力网络

paper title
《DNEAT: A novel dynamic node-edge attention network for origin-destination demand prediction》

导读

网约车服务平台在世界各地发展迅速，吸引了广泛的研究兴趣。网约车服务平台的一个关键问题是如何实现准确可靠的需求预测。然而，已有的研究大多集中在区域层面的需求预测上，而对起点-终点(OD)需求预测问题的研究较少。这篇文章从图的角度出发，构造了动态OD图来描述网约车需求数据。文章提出了一种新的神经结构–动态节点-边缘注意网络(DNEAT)，从需求产生和吸引的角度来解决OD需求预测的独特挑战。与以往的研究不同，在DNEAT中，提出了一种新的神经层，称为k-hop时态节点-边注意层(k-TNEAT)，用于捕捉动态OD图中节点拓扑的时间演化，而不是预先定义的区域之间的关系。在两个真实的网约车需求数据集(来自中国成都和纽约市)上对提出的模型进行了评估。实验结果表明，该模型的性能优于6种基线模型，对高稀疏度的需求数据具有更强的鲁棒性

模型方法

DNEAT：动态节点-边缘注意力网络

DNEAT由需求生成模块和需求吸引模块两部分组成。这两个部分的设计目的是从不同的角度学习动态OD图的图形表示。每个部分由三个有组织的k-TNEAT层组成，用于提取动态节点拓扑的特征并生成节点和边的学习表示。然后，使用这些学习的表示(即特征)来预测下一个时间间隔的OD需求。

1 k-TNEAT layer
K-TNEAT层在图序列Ω上操作。K-TNEAT层的输入包括两个分量：(1)节点表示图片，图片∈Rn×Γ×C和图片∈RΓ×C；(2)边表示图片，图片∈Rn×n×Γ×C和图片∈RΓ×C。对于每个节点(或边)，输入表示可以被视为具有C个通道的长度为Γ序列(每个时间间隔的特征数)。输出是一组新的结点表示和边表示，它们捕获了以每个结点为中心的动态结点拓扑的演化模式

典型的k-TNEAT层由两个k-hop时间编码层和一个时间节点边缘注意力层组成；下图展示出了k-TNEAT层的总体架构。接下来两个小节详细介绍了k-hop时间编码层和时间节点边缘注意层。此外，残差连接在时间节点-边缘注意层使用，随后是层归一化层。

1.1k-hop 时间编码层

对于图序列，节点i的输入表示为∈RΓ×C，边(i，j)的输入表示为∈RΓ×C。卷积运算的工作方式如下。一组大小为RF×C、步长为1(无填充)的滤波器用于在的时间维度上滑动。其中F是每个滤波器的接收场大小，每个滤波器的深度是C(即输入表示的通道大小)。每个过滤器的滑动操作将生成Γ-F+1时态图。对于每个&#