【论文泛读13】交通预测的动态时空图卷积神经网络

贴一下汇总贴：论文阅读记录

论文链接：《Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting》

一、摘要

图卷积神经网络(GCNN)已经成为一个日益活跃的研究领域。它用一个基于节点距离的预定义拉普拉斯矩阵来建模图中节点的空间依赖关系。然而，在许多应用场景中，空间依赖关系会随着时间而改变，使用固定的拉普拉斯矩阵无法捕捉这种变化。为了追踪交通数据之间的空间依赖性，我们提出了一种动态时空GCNN来精确预测交通。我们的深度学习框架的核心是用动态拉普拉斯矩阵估计来寻找拉普拉斯矩阵的变化。为了在低复杂度的情况下实现及时学习，我们创造性地将张量分解纳入深度学习框架，将实时交通数据分解为稳定的、依赖于长期时空交通关系的全局分量和捕捉交通波动的局部分量。在理论推导的基础上，提出了一种估计具有上述两个分量的图的动态拉普拉斯矩阵的新设计，并介绍了我们的设计依据。利用两个实时交通数据集对预测性能进行了评估。实验结果表明，该网络可以提高25%的准确率。

二、结论

• 提出了一种新的动态图卷积神经网络(DGCNN)用于交通预测（这是第一个可以遵循空间依赖性进化的图卷积神经网络）。
• 与其他模型相比，我们所提出的神经网络的准确率平均提高了10% ~ 25%。
• 所提出的动态拉普拉斯矩阵估计在预测过程中起着重要的作用。

可能的研究方向：

• 将DGCNN与其他深度学习方法相结合，学习隐藏在输入数据中的结构化特征。

三、DGCNN

动态时空图卷积神经网络。

将张量分解引入到深度学习框架中，从交通数据样本中提取全局和局部分量。从频率分析可以看出，一个时间跨度内的全网交通样本由两部分组成:一个是由路网结构决定的全局分量，另一个是由特定时段或交通事件决定的局部分量。文章使用一个特定的损失函数训练张量分解层。

为了根据全局和局部分量动态学习特定时刻的拉普拉斯矩阵，设计了一种基于深度学习的拉普拉斯矩阵估计器，并给出了详细的理论推导和设计依据。将实时估计的拉普拉斯矩阵输入到图卷积层进行预测。