MVGCN 人群流量预测模型 笔记

Predicting Citywide Crowd Flows in Irregular Regions Using Multi-View Graph convolutional Networks 笔记

作者：Junkai Sun, Junbo Zhang, Qiaofei Li, Xiuwen Yi, Yu Zheng

来源：arXiv:1903.07789v2 [cs.CV] 17 Jul 2020

1 论文背景与动机

       先前的工作主要集中在预测规则的网格化区域的人群流动。然而，城市实际上被道路网络隔开，非常不规则。预测城市不规则区域的人群流动，对于交通控制、风险评估和公共安全意义重大。

      人群流量预测问题是一个时空图(STG)预测问题，不规则区域为图节点，区域间过渡流用来构造边。但由于不同区域之间的相互作用和空间相关性，不规则区域人群流量预测比较困难，受到许多因素影响：

      1）STG不同顶点之间的相互作用和空间相关性。

      2）不同时间间隔之间的多重时间相关性：邻近性、周期性、趋势；

      3）复杂的外部因素（天气、事件）和元特征（一天的时间，周末/工作日）

       本文提出利用空间图卷积建立一个多视角图卷积网络(MVGCN)，用于人群流量预测问题，其中不同视角能捕捉到上述不同的因素。本文使用四个数据集来评估MVGCN，结果表明，MVGCN方法优于最先进的方法。

2论文创新

2.1提出一种GCN变体，它可以捕捉不同节点之间的空间相关性。设计多视图融合模块，将不同视图的多个潜在表示融合在一起。多视图融合有效地利用不同视图基于其特性的输出。

2.2 提出了一个综合框架，包括数据预处理、地图分割和地图聚类、过渡流构建图、GCN预测人群流量。

3论文模型

 该框架由数据准备和模型学习两个阶段组成：

1. 数据准备阶段：基于预测的目标时间获取全局信息（比如，如以前的时间步骤中的气象数据和天气预报。Iext and Imeta,），基于时间依赖（考虑两类时段（日，周)，两类趋势(月，季），选取相应的近期，日，周，月，季的时间步骤为重点 时间步骤，构建五个视图。）选择关键的 key timesteps（ 通过选择这些关键的时间步骤，MVGCN可以捕获多种类型的时间属性。）；然后将它们全部喂入到第二阶段进行模型训练。
2. 模型学习阶段：1）GCNs用STG结构信息学习（每个时间视图）空间相关性和相互作用，输出；2)FNNs捕获全局信息，如外部因素和元特征， ；3）Multi-view fusion（多视角融合）集成GCNs和FNNs的输出；4）Post-net, 即FNN, 使用激活函数将潜在表示投影获得预测值，输出。

    人群流量预测问题——STG预测问题：

    节点——不规则区域；边——流出和区域之间的过渡流。

 

     Inflow-- 给定时间间隔内其他区域进入某区域的人群的总流量；

     Outflow--给定时间内离开某区域到其他区域的人群的总流量。