概述
交通流分析、预测和管理是新时期建设智慧城市的关键。借助深层神经网络和大交通数据，我们可以更好地了解隐藏在复杂交通网络中的潜在模式。一条道路交通流的动态不仅在时间维度上依赖于序列模式，在空间维度上也依赖于其他道路。虽然已有预测未来交通流的研究工作，但大多数研究在建模空间和时间依赖性方面存在一定的局限性。本文提出了一种新的交通流预测空间时态图神经网络，它能全面地捕捉空间和时态模式。特别是，该框架提供了一个可学习的位置注意机制，以有效地聚集来自邻近道路的信息。同时，为交通流动态建模提供了时序组件，利用了局部和全局的时间依赖关系。在各种真实交通数据集上的实验结果证明了该框架的有效性。
主要的贡献：
- 提出了一种新的具有位置注意机制的图神经网络层，以更好地聚合邻近道路的交通流信息;
- 结合了递归网络和变换层，以捕获局部和全局的时间依赖性;
- 提出了一个新的时空GNN框架STGNN，该框架专门用于建模具有复杂拓扑和时间依赖性的系列数据;
模型
主要由三部分组成:1)空间图形神经网络(S-GNN)层，其目的是通过交通网络捕捉道路之间的空间关系;2) GRU层，按顺序捕获时间关系(或局部时间依赖);3) transformer层，其目的是直接捕捉序列中的长程时间依赖(或全局时间依赖)。
模型框架
模型中多次使用的基础图卷积模块S-GNN：
相似性计算函数：
上面的架构主要考虑的问题就是使用GRU架构去捕捉local temporal info，然后介绍下面使用transformer去处理global temporal info。
最后使用一个多头注意力机制
最后是transformer的常用操作手段，在我们计算的结果后面加上position encoding。 
最后是输出层与训练函数，经过transformer layer以后，我们得到的输出是H，在经过一个多层神经网络输出Y，也就是最后的预测结果。
实验结果
对比于DCRNN，STGNN取得的效果是较好的。
更多相关专业文章，欢迎关注公众号！
