![0f2457b8b9f49f126440f040fccf3354.png](https://i-blog.csdnimg.cn/blog_migrate/8d4e5bd9a8a9f1eb13a91530bd38aa18.jpeg)
就idea来说,这篇文章整体感觉亮点只有参数分解一处,其他的自适应网络结构,之前已经有文章研究,如果在计算方面有需求,或者是网络节点较多的应用可以参考这篇文章。
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
摘要:
在相关的时间序列数据中建立复杂的时空关联对于理解交通动力学和预测交通系统的未来状态是必不可少的。最近的工作集中在设计复杂的图神经网络架构,依靠预定义的图结构以捕获共享模式。本文认为,在可避免预定义图的情况下,学习节点特定模式对交通预测至关重要。为此,我们提出了两个具有新功能的网络(GCN)自适应模块来增强卷积图: 1)一个节点自适应参数学习 (NAPL)模块捕获特定节点的模式;2)数据自适应图生成(DAGG)模块,自动推断出不同流量序列之间的依赖关系。进一步提出了一种自适应卷积递归算法,基于这两个模块和递归网络,自动捕获流量序列中细粒度的时空相关性。
问题的定义
定义非常普通,与其他论文相同。根据历史的T时刻的数据,依赖路网结构G,设计模型F,包含参数theta,去预测未来的多个时刻交通值。
![8659b09fa8a537f1774be7b528f019ee.png](https://i-blog.csdnimg.cn/blog_migrate/d1ae13e6c2b84dfed93576f478ba93b0.png)
相较于一般普通的GCN,如下所示:
![00b54960170c271dfe175ae3a2012cbc.png](https://i-blog.csdnimg.cn/blog_migrate/26e353e1f35bb8aecddfd0579c8c3525.png)
本文的创新之处为:
![7a0035b7fdfe48c96d978e5e3ad9a789.png](https://i-blog.csdnimg.cn/blog_migrate/8db21866c74e49e48ad80c579cd4c30d.jpeg)
当节点数N较多时,该方法应该会好些,这节的名字起的是Node Adaptive Parameter Learning,感觉不是特别合适。
道路网络的链接结构A由学习得到,类似于graphwaveNet中使用的技术手段:
![fd8ffe1cde9a80931f76334e5d11f524.png](https://i-blog.csdnimg.cn/blog_migrate/0d72426e2f7fb86f1a5b4e80cc650eba.png)
最后,时序模块使用的GRU,类似于传统手段送入到GRU中,
![e89b9aa7318e0608962fb5c3ae177590.png](https://i-blog.csdnimg.cn/blog_migrate/96a6565c5e4822348b9e80bdfcb7b0db.png)
损失函数也是中规中矩:
![b9b629121bd500179100c771540a548c.png](https://i-blog.csdnimg.cn/blog_migrate/44ef0dedd7b926a512231fff1af593a8.png)
实验结果:
![c8ae824f6182ba5e103e0a42ecd0c75c.png](https://i-blog.csdnimg.cn/blog_migrate/ad2fcb8d6f1a7f7c08bae64c5b63a15a.jpeg)
这篇文章整体感觉亮点只有参数分解一处,其他的自适应网络结构,之前已经有文章研究。
更多相关专业文章,欢迎关注公众号【图与交通】!
可以添加微信(微信号: professor_huangdehua ),拉你进专业交流群。