论文笔记：Inferring Origin-Destination Flows FromPopulation Distribution

TKDE 2022

1 Intro

• OD流数据在收集上比较困难
  • 收集数据开销大
  • 有隐私泄露的风险（因为OD数据是由不同个体的轨迹组成的）
• 由不同个体轨迹组成的人口分布，更常见也更易收集
  • ——>本篇论文是第一篇研究如何使用人口分布来预测OD流（论文称之为pop2flow问题）
• 但是，人口分布只是OD流的聚合结果，仅仅从人口分布预测OD流是一个困难的任务，因为人口分布可以提供的信息是远远不够的
  • 极其庞大的解空间+及其小的限制
    • ——>很难得到最优的结果（一个区域人口数量的增大，可能是由很多不同区域的人口流入导致的）
  • 当region的数量增多的时候，这种问题会变得更严重
• pop2flow的挑战（以及论文提出的模型，Graph-based Spatial-temporal Embedding with Dynamic Fusion (GSTE-DF)是如何解决他们的）
  • 1）区域间复杂多样的关联性
    • ——>建立了一个基于距离的全连接图，每个点表示一个region
    • ——>使用带attention的GCN(cheb net)来提取空间依赖性
  • 2）区域间关联复杂的时间动态性
    • eg，住宅区和商业区之间的关联性，早上和中午是相反的
    • ——>通过带attention的时间卷据来提取时间依赖性
  • 3）区域不同的功能也会影响人口流动
    • ——>提出一个自适应的权重embedding融合模型，来将区域中不同POI的分布信息融入OD预测中

2 Preliminary

2.1 图的建立

• 建立一个全连接图
  • 全连接图可以建模各个区域间的关联性
  • 权重是两个区域间距离的平方的倒数
  • 距离定义为：
    •  

2.2 问题定义

• k时刻区域si的人口分布：

  •  

    • P是k时刻的的轨迹集合

    • 是其中的一条轨迹

    •  gi是轨迹中的一个点，表示gi在区域si中
    • ||表示集合中的元素数量
  • 使用Xk表示k时刻的所有区域
• OD流
  • 
  • 使用Fk表示k时刻的所有OD流 
•  OD预测
  • 使用历史人口分布数据{Xt|t<k}预测未来的OD矩阵Fk

3 模型

3.1  空间特征提取

3.1.1 空间attention

 

• 是第r层的输入
• 是第r层输入的channel数
• Tr-1是第r层的时间维度
• 都是可学习参数
• ——>S是一个attention 矩阵，维度大小N*N

3.1.2 GCN

这里使用的是ChebNet（和ChenNet唯一的不同是，这里加了一项attention矩阵）【不过个人觉得这边的attention矩阵应该是S'？】

扫描二维码关注公众号，回复： 14783512 查看本文章

 

 输入是，输出是

 3.2 时间特征提取

 3.2.1 时间Attention

E'是一个的注意力矩阵 

3.2.2 时间特征提取

1D 卷积

  输入是，输出是

3.3 OD流预测

3.3.1 OD-nets

• region作为源区域和目标区域时，作用时不一样的
  • ——>作者使用了两个MLP来分别建模region作为源区域和目标区域的特征

• <>表示内积

3.3.2 自适应权重融合

• 论文进一步使用区域的POI分布来提升不同区域feature提取的能力
  • 使用了两个基于MLP的POI特征提取器（源区域一个、目标区域一个），来生成源区域和目标区域特征embedding的权重
• 

 

 3.4 Loss function

• 使用过去l个时刻的人口分布数据，预测未来的k个OD流
• 

4 实验

 4.1 Metrics

 4.2 实验结果

4.3  区域&时间划分不同粒度对模型的影响

 4.4 四个不同的OD对预测和ground-truth比较

 

 4.5 OD矩阵热点图 ground-truth和预测结果对比

 4.6 ablation study

 4.7 参数敏感度

•  input slice 不能太长or太短
• 当ChebNet的K大于等于3后，基本上效果就比较平稳了
• GCN和1D卷积的kernel数量 增加，效果回越来越好，但超过64之后，基本上效果提升的有限