Adaptive Graph Convolutional Recurrent Network
for Traffic Forecasting 总结
作者:Lei Bai, Lina Yao, et al. UNSW
来源:NeurIPS 2020
代码:https://github.com/LeiBAI/AGCRN
1 论文动机
目前基于GCN的交通预测方法,需要预先定义的邻接矩阵以捕获空间相关性。论文认为,可以在不预定义图的情况下,学习节点特定模式。为此,提出两个增强图卷积的自适应模块:1)节点自适应参数学习(NAPL)模块,捕获特定节点模式;2)数据自适应图生成(DAGG)模块,自动推断出不同交通序列间的依赖关系。论文基于这两个模块和递归网络,提出一个自适应图卷积递归网络(AGCRN),自动捕获交通序列细粒度的时空相关性。
AGCRN可以捕获交通序列中特定节点细粒度的时空相关性,并将修改后的GCN中的节点嵌入与DAGG中的嵌入统一起来。训练AGCRN可以为每个交通系列源产生一个有价值的信息节点表示向量,能应用于多种预测任务。
2 论文创新
2.1提出一个由NAPL增强的GCN(NAPL-GCN):
问题:基于GCN的模型,只捕获所有节点间的共享模式难以准确预测流量,必须为每个节点维护唯一的参数空间以学习特定节点的模式。但为每个节点分配参数将使Θ太大难优化,导致过拟合。
办法:不直接学习Θ∈RN×C×F,NAPL学习两个较小的参数矩阵:节点嵌入矩阵Eg∈RN×d和权重池Wg∈RD×C×F。 然后,Θ=Eg·Wg.