1、文章信息
《Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting》。这是北大发表在计算机顶级会议AAAI2021上的一篇文章。
2、摘要
交通流的时空数据预测是一项具有挑战性的任务,因为复杂的空间依赖性和不同道路之间的时空模式的动态趋势。现有框架通常利用给定的空间邻接图和复杂的机制来对空间和时间相关性进行建模。但是,具有不完整相邻连接的给定空间图结构的有限表示可能会限制那些模型的有效时空依赖性学习。此外,在处理复杂的时空数据时,现有方法难以解决以下几个问题:它们通常使用单独的模块进行时空相关性,或者它们仅使用捕获局部或全局异构依赖项的独立组件。为了克服这些局限性,论文中提出了一种新颖的时空融合图神经网络(STFGNN)进行交通流量预测。首先,提出了一种生成“时间图”的数据驱动方法,以补偿空间图可能无法反映的几种现有相关性。SFTGNN可以通过对各种时空图进行并行处理的新颖融合操作,有效地学习隐藏的时空依赖性。同时,通过将该融合图模块和新颖的门控卷积模块集成到一个统一的网络层中,SFTGNN可以通过学习更多的时空相关性来处理长序列,并将这些层堆叠在一起。在几个公开交通数据集上的实验结果表明,与其他基准相比,新的方法能够实现最佳的性能。
3、动机
近年随着图神经网络的发展,时空数据的图建模成为大家关注的焦点。尽管在将图结构纳入时空数据预测模型方面已取得了显着改进,但这些模型仍然面临以下一些缺陷:
第一个限制是缺乏信息图的构造。例如,城市中一些遥远的节点可能具有某些相关性,即它们将共享相似的“时间模式”。例如,在高峰时段,办公楼附近(从商业区出发)的大多数道路在同一时期都会遇到交通拥堵。但是大多数现有模型仅将给定的空间邻接矩阵用于图建模,而在对邻接矩阵建模时忽略节点之间的时间相似性。此外,当前的时空预测研究不足以捕捉局部和全局相关性之间的依存关系。基于RNN / LSTM的模型非常耗时,并且在捕获远程序列时可能会遇到梯度消失或爆炸的情况。Transformer的学习过程可能仍然很耗时。基于CNN的方法则需要堆叠层以捕获长序列的全局相关