【论文阅读】Attention Based Spatial-Temporal GCN...Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（2）

原文地址：https://ojs.aaai.org/index.php/AAAI/article/view/3881
原文代码地址：https://github.com/ wanhuaiyu/ASTGCN

3.Preliminaries（准备工作）

In this study, we define a traffic network as an undirected graph $G=(V,E,\text{A})$, as shown in Fig. 2(a), where $V$ is a finite set of $|V|=N$ nodes; $E$ is a set of edges, indicating the connectivity between the nodes; $\text{A}\in {\mathbb{R}}^{N\times N}$ denotes the adjacency matrix of graph $G$ . Each node on the traffic network $G$ detects $F$ measurements with the same sampling frequency, that is, each node generates a feature vector of length $F$ at each time slice, as shown by the solid lines in Fig. 2(b).
在本文中，我们将交通网络定义为无向图 $G=(V,E,\text{A})$ ，如图2(a)所示，其中 $V$ 是 $|V|=N$ 个节点的有限集; $E$ 是边的集合，表示节点之间的连通性; $\text{A}\in {\mathbb{R}}^{N\times N}$ 表示图 $G$ 的邻接矩阵。交通网络 $G$ 上的每个节点以相同的采样频率检测 $F$ 测量值，即每个节点在每个时间片上生成长度为 $F$ 的特征向量，如图2(b)实线所示。

Figure 2: (a) The spatial-temporal structure of traffic data, where the data at each time slice forms a graph; (b) Three measurements are detected on a node and the future traffic flow is the forecasting target. Here, all measurements are normalized to [0,1].
图2: (a) 交通数据的时空结构，每个时间片的数据构成一个图; (b) 在一个节点上检测到三个测量值，未来的交通流是预测目标。在这里，所有测量值都归一化为 [0,1]。

Traffic Flow Forecasting（交通流预测）

Suppose the $f$-th time series recorded on each node in the traffic network $G$ is the traffic flow sequence, and $f\in (1,\dots ,F)$ . We use $x_t^{c,i}\in \mathbb{R}$ to denote the value of the $c$-th feature of node $i$ at time $t$ , and ${\text{x}}_t^i\in {\mathbb{R}}^F$ denotes the values of all the features of node $i$ at time $t$ . ${\text{X}}_t=({\text{x}}_t^1,{\text{x}}_t^2,\dots ,{\text{x}}_t^N{)}^T\in {\mathbb{R}}^{N\times F}$ denotes the values of all the features of all the nodes at time $t$ . $\mathcal{X}=({\text{X}}_1,{\text{X}}_2,\dots ,{\text{X}}_{\tau }{)}^T\in {\mathbb{R}}^{N\times F\times \tau }$ denotes the value of all the features of all the nodes over $\tau$ time slices. In addition, we set $y_t^i=x_t^{f,i}\in \mathbb{R}$ to represent the traffic flow of node $i$ at time $t$ in the future.
设交通网络 $G$ 中每个节点上记录的 $f$ 个时间序列为交通流序列，$f\in (1,\dots ,F)$ 。我们用 $x_t^{c,i}\in \mathbb{R}$ 表示节点 $i$ 在时刻 $t$ 的第 $c$ 个特征的值，${\text{x}}_t^i\in {\mathbb{R}}^F$ 表示节点 $i$ 在时刻 $t$ 的所有特征的值。${\text{X}}_t=({\text{x}}_t^1,{\text{x}}_t^2,\dots ,{\text{x}}_t^N{)}^T\in {\mathbb{R}}^{N\times F}$ 表示时刻 $t$ 时所有节点的所有特征值。$\mathcal{X}=({\text{X}}_1,{\text{X}}_2,\dots ,{\text{X}}_{\tau }{)}^T\in {\mathbb{R}}^{N\times F\times \tau }$ 表示所有节点在 $\tau$ 时间切片上的所有特征值。另外，我们设 $y_t^i=x_t^{f,i}\in \mathbb{R}$ 表示节点 $i$ 在未来时刻 $t$ 的交通流。

Problem. Given $\mathcal{X}$ , all kinds of the historical measurements of all the nodes on the traffic network over past τ time slices, predict future traffic flow sequences $\text{Y}=({\text{y}}^1,{\text{y}}^2,\dots ,{\text{y}}^N{)}^T\in {\mathbb{R}}^{N\times T_p}$ of all the nodes on the whole traffic network over the next $T_p$ time slices, where ${\text{y}}^i\in (y_{\tau +1}^i,y_{\tau +2}^i,\dots ,y_{\tau +T_p}^i)\in {\mathbb{R}}^{T_p}$ denotes the future traffic flow of node $i$ from $\tau +1$ .
问题. 给定 $\mathcal{X}$ ，交通网络上所有节点在 $\tau$ 时间切片上的所有历史测量值，预测整个交通网络上所有节点在下一个 $T_p$ 时间切片上的未来交通流序列 $\text{Y}=({\text{y}}^1,{\text{y}}^2,\dots ,{\text{y}}^N{)}^T\in {\mathbb{R}}^{N\times T_p}$ ，其中 ${\text{y}}^i\in (y_{\tau +1}^i,y_{\tau +2}^i,\dots ,y_{\tau +T_p}^i)\in {\mathbb{R}}^{T_p}$ 表示节点 $i$ 从 $\tau +1$ 开始的未来交通流量。