基于多图卷积神经网络的多模式交通预测应用对比

今天突然发现了以前看的两篇文章有很大的相似之处，就总结一下喽，有时候，走得慢一点，也未尝不是好事~

文章信息

随着图网络GCN的大火，各式各样的基于图网络的交通预测论文也层出不穷，多图卷积神经网络便是其中一个小方向。本文对比了公众号前面解读的两篇文章（基于多图卷积的共享单车流量预测和基于多图卷积的网约车流量预测）的异同，以进一步理解“多图卷积”的含义。

（1）：《Bike Flow Prediction with Multi-Graph Convolutional Networks》。原文链接：基于图卷积神经网络的共享单车流量预测（附数据集下载地址

2018年第26届ACM空间地理信息系统进展国际会议论文集，被引7次。

（2）《Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting》。原文链接：ST-MGCN：基于时空多图卷积神经网络的网约车需求预测

2019 AAAI大会的一篇论文，被引5次。

2、摘要和简介

2.1有桩共享单车摘要和简介

本文将应用深度学习技术进行站点级别的共享单车流量预测。本文提出了一种多图卷积神经网络模型来预测站点级的流量，其关键创新之处在于从图的角度来观察共享单车系统。本文为一个自行车共享系统构造了多个图来反映异构的站间关系。然后，通过融合了多个图形，并应用卷积层来预测未来的站点级自行车流量。

本文提出了一种新的多图卷积神经网络来捕捉不同站点之间的空间关系，例如距离和历史使用关系。在多图卷积层的基础上，提出了一种包含LSTM的encoder-decoder编码解码器结构，用来捕捉时间关系。因此，对于站点级自行车流量预测，可以有效地捕捉时空模式。据文章所述，这是首次利用多图卷积神经网络来进行站点级别的共享自行车系统中流量预测。

问题描述：利用t时刻以前的进站流和出站流预测t时刻的进站流和出站流。

2.2 网约车摘要和简介

区域级网约车需求预测的目标是根据历史观测，预测城市某个区域未来的需求。这一任务的挑战性主要在于复杂的时空相关性。一方面，不同区域之间存在复杂的依赖关系，例如，一个区域的需求通常受其空间相邻区域的影响，同时与具有相似上下文环境的遥远区域相关。另一方面，不同的时间观测值之间也存在非线性依赖关系，对某一时刻的预测通常与各种历史观测结果相关联，如一小时前、一天前甚至一周前。

基于此本文提出了一种新的深度学习模型，称为时空多图卷积网络(ST-MGCN)。主要贡献如下：（1）在网约车需求预测中，识别出区域间的非欧式相关关系，并提出使用多个图对其进行编码。然后进一步利用提出的多图卷积对这些相关性进行建模。（2）提出了基于上下文门控机制的RNN (CGRNN)模型，在时序依赖关系建模时引入全局上下文信息。

问题描述：利用过去T个时段预测T+1个时段全网所有区域的需求产生量

3、模型对比

文提出的多图卷积神经网络包含三部分，图生成-多图卷积-预测部分。

（一）图生成

图的生成是图卷积模型成功的关键，如果所构建的图不能对站点间的有效关系进行编码，不仅不利于网络参数的学习，还会降低预测性能。一般来说，我们希望为具有相似动态流模式的站点之间的边缘分配较大的权重。在此基础上，提出了建立站间图的三种方法:距离图、交互图和相关图。

权重1：距离图，即用距离的倒数表示站间权重。

权重2：交互图，即用历史数据中两个车站之间的行车记录数表示站间权重。

权重3：相关图，计算每个站在每个时间间隔(如1小时)内的历史使用情况(流入或流出)，然后计算每两个站之间的相关性作为图中站间权重。本文使用皮尔逊系数来计算相关性。

（二）多图卷积

此部分可分为两块主要内容：图融合以及图卷积。图融合即将上面的三个图权重矩阵融合为一个图权重。我们首先对每个图的邻接矩阵A进行标准化，然后通过在元素级对不同图的邻接矩阵加权求和来组合不同的图。为了使加权和运算后的融合结果保持归一化，我们在加权矩阵中进一步增加了一个softmax运算。得到加权矩阵后利用图卷积层进行训练。

（三）预测网络部分

采用encoder-decoder LSTM结构的预测网络。详细信息请查看顶部历史文章链接。

3.2网约车模型框架

所提出的模型ST-MGCN的系统架构如图2所示。我们将区域间三种关系类型表示为多个图，图的顶点表示区域，边表示区域间的成对关系。首先，时间上，我们使用提出的上下文门控循环神经网络(CGRNN)考虑全局上下文信息，对不同时间的观测结果进行汇总，将多个时间步融合为一个时间步。然后，空间上，应用多图卷积来捕捉区域间不同类型的相关性。最后，利用全连接层进行特征融合转化为预测。

（一）空间依赖关系建模

所谓多图卷积，是指对空间上的多种相关关系分别进行图卷积，再进行特征融合。我们用图对区域间的三种相关性进行了建模，包括(1)邻域图，编码空间邻近性，(2)区域功能相似图，它对区域周围兴趣点的相似性进行编码，(3)交通连通性图，它编码了遥远地区之间的连通性。

（1）领域图

区域的邻域是根据空间邻近性来定义的。我们在一个3×3的网格中，将一个区域与其相邻的8个区域连接起来，构造出图形。

（2）功能相似图

在对一个区域进行预测时，可以直观地参考与此区域功能类似的其他区域。区域功能可以用其周围每个类别的POIs来表征，两个顶点(区域)之间的边定义为POI相似性:

（3）交通连通性图

在进行时空预测时，交通系统也是一个重要因素。直观地说，那些地理上遥远但方便到达的区域可以相互关联。这些连接是由高速公路、高速公路或地铁等公共交通诱导的。这里，我们将这些道路直接相连的区域定义为“连通”，对应的边定义为:

（4）利用多图卷积对时空依赖关系进行建模

利用构建的上述三种类型的图，我们使用如下公式进行卷积，f(A;θi)表示拉普拉斯矩阵。

在实际过程中，f(A;θi)选为拉普拉斯算子L的K阶多项式函数，图3显示了图卷积层示例。K表示vi通过K步能够到达vj。在卷积运算方面，k定义了空间特征提取时感知域的大小。

（二）时间依赖关系建模

即通过多步处理，将多个时间步的信息融合到一张图上。这一块比较难理解，也不是本文的重点，详细信息请查看顶部历史文章链接。

4、对比思考

这两篇文章最大的相似之处是对同一种交通网络构建了多种空间关系，即多张图，也可以说多个邻接矩阵，然后通过对多张图的处理得到最终预测结果。比较大的不同之处主要有以下四点。

（1）其一在于三种图考虑的空间关系不同

共享单车考虑了站间距离，站间流量交互，以及站间流入流出流量的相关性，而网约车论文考虑了邻域图，功能相似图和交通连通性。

（2）其二在于如何融合构建的三张图

共享单车论文是对构建的三个邻接矩阵进行加权融合，而网约车论文是对三张图分别先进行图卷积再求和。至于那种方式在技术上和理论上更优一些还待验证。

（3）其三在于时间依赖关系建模方面

共享单车论文最终采用了LSTM encoder-decoder的结构捕捉时间依赖关系，而网约车论文提出了一种基于上下文信息的门控循环神经网络来捕捉捕捉时间依赖关系。

（4）其四在于对图的主观理解上

共享单车论文为有桩共享单车，“桩”更类似与一张图中的节点，因此共享单车网络更类似于一张图。而网约车论文还是基于网格数据来做的，其是将一个区域看成了一个节点，和图中的节点还是有所区别的。

5、Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！