问题类别
回归、提高深度、知识融合、网络结构
问题描述
交通流量预测问题，利用连续的历史交通状态来预测道路网络的未来交通状态。之前的方法：1、卷积神经网络（CNNs）与递归神经网络（RNNs）相结合应用于交通预测问题，这样的组合不能捕捉到交通网络的连通性和全局性（没有考虑关系，即边）；2、存在消失梯度和爆炸梯度问题；3、由于卷积和递归运算的非线性性质，这些模型对输入的大规模线性（数乘和加减法）变化不太敏感；4、只考虑近期的交通状况，不捕获现有周期时间（ periodic temporal，如每天一个周期、每周一个周期）和重复时间模式（a mixture of the repeating time patterns，高峰期还会影响同一道路下一小时的交通状况）。
解决方法的核心思路
一种基于多残差递归图神经网络的交通预测框架MRes-RGNN。1、利用残差递归图神经网络（Res-RGNN）联合捕获基于图的空间依赖和时间动态。Res-RGNN能够正确提取交通网络的时空特征（历史交通状态和空间拓扑关系），使模型对突发变化更加敏感。2、hop Res-RGNN提高能够发现时间序列信号之间的周期模式（前已解释）的流量预测性能。3、通过2和3的Res-RGNN和hop-ResRGNN分支的输出与动态权重相结合，提出MRes-RGNN，考虑了空间和多重时间（历史状态、周期模式、重复时间模式）依赖性以及外部因素（交通状况、天气、节假日）对流量预测的影响。4、paper提到的门控（Gated）出现在方法中，具体为：控制控制残差信息的流动，即上一时间的残差（作残差网络）信息对下一时间（作RNN）的影响（权重）