Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting

我们都依赖于出行，交通工具影响着我们大多数人的日常生活。因此，预测路网交通状态的能力是一项重要的功能，也是一项具有挑战性的任务。交通数据通常来自部署在路网上的传感器。最近关于时空图神经网络的提议，通过将交通数据建模为扩散过程，在建模交通数据中的复杂时空相关性方面取得了巨大进展。然而，直观地说，交通数据中包含两种不同类型的隐藏时间序列信号，即扩散信号和固有信号。遗憾的是，几乎所有的研究都粗略地将交通信号完全视为扩散的结果，而忽略了固有信号，这对模型性能产生了负面影响。为了提高建模性能，本文提出一种新的解耦时空框架(DSTF)，以数据驱动的方式分离扩散和固有的交通信息，包括一个独特的估计门和残差分解机制。分离后的信号分别由扩散模块和固有模块处理。提出了dstf的一个实例化，即解耦的动态时空图神经网络(D2STGNN)，捕捉了时空相关性，还具有一个动态图学习模块，旨在学习交通网络的动态特性。在4个真实的交通数据集上进行了广泛的实验，结果表明该框架能够提升目前最先进的方法。

 

 

 从图2中，我们进行了两个观察。(一)每个传感器的记录值受两个因素的影响:即扩散信号和非扩散信号。

如图2(a)所示，上午8点通过传感器2(绿色箭头)的车辆来自两个部分。第一部分是直接从传感器附近某处出发的车辆(蓝色箭头)，例如，直接从住宅开车到商业区上班的车辆。另一部分是从相邻区域扩散开来的车辆(酒红色箭头)，例如从工业区(传感器3)和农业区(传感器4)行驶以提供日常用品的车辆。前者是独立于其他传感器的，而后者是扩散过程的伪影。我们分别称它们为隐藏固有时间序列和隐藏扩散时间序列，图2(b)中的每个时间序列都是它们的叠加。

方法：

首先提出了一种解耦的时空框架(DSTF)，如图1(b)所示。DSTF以数据驱动的方式，利用解耦块将扩散信息与固有交通信息分离。设计了一个基于自注意力机制的动态图学习模块来解决第二个问题。上述设计是DSTF实例化的关键元素，称为解耦动态时空图神经网络(D2STGNN)。具体而言，首先设计了如图3所示的解耦模块，其中包含残差分解机制和估计门，对流量数据进行分解。前者去除了扩散模型和固有模型能很好逼近的部分信号;因此，学习不好的信号部分会被保留。后者粗略估计两种信号的比例，以缓解每层第一个模型将原始信号作为输入，需要学习其中特定部分的负担。其次，动态图学习模块基于自注意力机制学习时间序列之间的潜在关联，综合利用可用信息来调整基于路网的空间依赖关系;此外，针对两种隐时间序列的特点，分别设计了专门的扩散模型和固有模型。设计时空局部卷积对隐扩散时间序列进行建模。联合使用循环神经网络和自注意力机制对隐藏的固有时间序列进行建模。

 

 

 5 DECOUPLED DYNAMIC ST-GNN

通过分解扩散和固有信号，该框架使后续模型能够将注意力集中在各自擅长的方面。本文提出解耦的动态时空图神经网络(D2STGNN)作为所提出框架的实例。

 扩散模型旨在对节点间的扩散过程进行建模，其中目标节点未来的扩散信号依赖于相邻节点的最近值，即设置具有时空局部性。具体来说，我们假设只有𝑘𝑠顺序的邻近节点从过去𝑘𝑡时间步的交通信号可以影响目标节点。考虑到车辆的速度和传感器的采样频率，𝑘𝑠和𝑘𝑡的典型值通常为2或3。

 

 5.2 Inherent Model: Local and Global Dependency