GSNet: Learning Spatial-Temporal Correlations from Geographical and Semantic Aspects for Traffic

交通事故预测对城市公共安全、应急处理、建设规划等具有重要意义。然而，由于交通事故受多种因素影响，且对时空维度特征具有多尺度依赖性，因此对交通事故进行预测非常具有挑战性。同时，交通事故是罕见的事件，这导致了零膨胀问题。现有的交通事故预测方法无法同时处理上述问题。文中提出了一种新的交通事故风险预测模型GSNet，从地理和语义两个方面学习交通事故风险的时空关联。在该模型中，设计了时空地理模块来捕获区域间的地理时空关联，设计了时空语义模块来建模区域间的语义时空关联。此外，设计了一种加权损失函数来解决零膨胀问题。在两个真实的数据集上进行了广泛的实验，证明了GSNet相对于最先进的基线方法的优越性。

 

 

 

 

 The GSNet Model

该模型的主要思想是融合地理和语义时空特征，以提高交通事故风险预测的准确性。图2展示了我们的GSNet模型的架构，该架构主要由两个模块组成，即时空地理模块和时空语义模块。具体而言，时空地理模块将时空网格特征和时间特征作为输入，利用卷积、门控单元(GRU)和时间注意力对区域间的地理时空关联进行建模;时空语义模块以图信号矩阵和时间特征作为输入，利用多个GCN、GRU和时间注意力捕获区域间语义时空关联;最后，将两个模块的输出动态融合以做出最终预测。

 

 Spatial-Temporal (ST) Geographical (Geo) Module

 

ST Geo模块，如图2左侧所示，旨在捕获区域之间的地理时空相关性。首先利用卷积对地理空间相关性进行建模，然后利用GRU和时间注意力机制动态捕捉地理空间的短期和长期时间相关性。

Spatial-Temporal (ST) Semantic (Sem) Module

ST Sem模块，如图2右侧所示，用于捕获不同语义方面的时空相关性。利用3种图卷积网络分别建模3种空间相关性，即风险相似性、道路相似性和兴趣点相似性。与ST Geo模块一样，它利用GRU和时间注意力来捕捉语义空间特征的短期邻近性和长期周期性。最后，利用映射矩阵将图数据映射为网格数据。 

 

 

 

 

 Feature Fusion

一般而言，地理时空相关性和语义时空相关性对目标区域具有不同程度的影响。因此，我们使用两个权重矩阵和一个全连接层来动态融合ST Geo模块和ST Sem模块的输出，而不是拼接