AGCRN总结

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.