【AAAI-2019】论文速读——交通领域

在网约车、共享单车背景下，交通流量、车辆需求量预测受到很多关注。本文选读了AAAI-19上几篇交通预测相关的论文，同时附上论文相关链接、代码解读等便于查找。翻译比较随意，待更新…

Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction

– github链接：https://github.com/tangxianfeng/STDN
– 由于大规模交通数据的可获取性和在现实世界中的重要性，交通预测在人工智能研究领域引起了越来越多的关注。例如，准确的出租车需求预测可以帮助出租车公司预先分配出租车。交通预测的关键挑战在于如何建立复杂的空间相关性和时间动态模型。尽管在建模中考虑了这两个因素，但现有的研究对空间依赖性和时间动力学做出了强有力的假设，即空间依赖性在时间上是平稳的，时间动力学是严格的周期性的。然而，在实践中，空间相关性可能是动态的，随时间变化可能会在一个周期到另一个周期之间产生一些扰动。本文提出了两个重要的观点：（1）位置之间的空间依赖性是动态的；（2）时间依赖性遵循每日和每周的模式，但它的动态时间周期并不是严格的周期性的。为了解决这两个问题，本文提出了一种新的时空动态网络Spatial-Temporal Dynamic Network（STDN），其中引入了一种交通流量的门机制来学习位置之间的动态相似性，并设计了一种周期性移位注意机制来处理长期的周期性移位。这是目前第一个在统一框架中解决这两个问题的工作。本文在实际交通数据集上（NYC-Taxi, NYC-Bike数据集）的实验结果验证了该方法的有效性。

– STDN的体系结构。(a)定期转移注意机制捕捉到长期的周期性依赖和时间周期性。对于每一天，我们还使用单独的LSTM来捕获时序信息。(b)短期时间依赖由一个LSTM取得，而时间周期性则通过对前几天做Attention获得。©流量的门机制通过控制空间信息传播来表示空间上的动态相似性;而每个区域与其相邻区域间的空间关系则利用一个CNN进行捕捉（看成近似图片的网格结构）。其中，FC表示全连接层，Conv表示卷积层。(d)多任务学习同时预测两个交通量（开始和结束流量）。

---

Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

– github链接：https://github.com/Davidham3/ASTGCN
– ppt链接：https://github.com/Davidham3/ASTGCN/blob/master/ASTGCN_ppt.pdf

ASTGCN，使用三个组件对时间序列上的近期、日周期、周周期三个模式进行建模，每个组件使用 K 阶切比雪夫图卷积捕获空间关系，使用一维卷积捕获时间关系，在 K 阶切比雪夫多项式展开的图卷积内融入了注意力机制来捕获空间动态性，在时间维上使用注意力机制让模型动态地捕获时间关系。在 PeMS 数据集上进行了实验，数据已公开。（摘自https://github.com/Eilene/spatio-temporal-paper-list）

---

Traffic Updates: Saying a Lot While Revealing a Little

– 从车辆上获取速度报告是一种行之有效的、廉价的方法推断交通状况的方法。然而，由于担心关于隐私和带宽，不是每个车辆使用者都可以想要实时传输关于他们的位置和速度的数据时间。我们展示了如何以两种方式大幅减少传输的数量，这两种方式都基于马尔可夫随机场。用于模拟交通速度和流量。首先，我们只显示少量车辆需要从每个位置报告。我们给出了一个简单的概率方法，让一组车辆决定哪个子集将发送报告，通过协调而不进行任何通信来保护隐私。第二种方法计算任何位置的速度报告的潜在价值，强调那些最影响整体速度推断，忽略那些贡献很少的价值。两种方法都能显著降低在道路网络上进行精确速度推断所需的通信量。

---

Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting

区域级需求预测是网约车服务中的一项重要任务。准确的叫车需求预测可以指导车辆调度，提高车辆利用率，缩短等待时间，缓解交通拥堵。这项任务由于区域之间的时空依赖关系复杂，因此具有挑战性。现有方法主要集中在模拟空间相邻区域之间的欧几里得相关性，同时我们观察到，可能遥远区域之间的非欧几里得成对相关性对于准确预测。本文提出了一种新的叫车需求预测深度学习模型时空多图卷积网络（ST-MGCN）。我们首先对非欧几里得对相关进行编码，将区域划分为多个图，然后使用多图卷积显式地建模这些关联。为了利用全局上下文信息对时间相关性进行建模，我们进一步提出了上下文门控递归神经网络，该网络通过上下文感知门控机制增强了递归神经网络，以重新加权不同的历史观测值。我们评估了两个现实世界的大型乘骑需求数据集上的模型，以及观察到比现有基线提高10%以上。

网约车需求预测，T个点预测1个点。空间依赖建模上：以图的形式表示数据，从空间地理关系、区域功能相似度、区域交通连通性三个角度构造了三个不同的图，提出了多图卷积，分别用 k 阶 ChebNet 对每个图做图卷积，然后将多个图的卷积结果进行聚合(sum, average 等)成一个图；时间依赖建模上：提出了融合背景信息的 Contextual Gated RNN (CGRNN)，用 ChebNet 对每个结点卷积后，得到他们的邻居表示，即每个结点的背景信息表示，与原结点特征拼接，用一个两层全连接神经网络计算出 T 个权重，将权重乘到历史 T 个时刻的图上，对历史值进行缩放，然后用一个共享的 RNN，针对每个结点形成的长度为 T 的时间序列建模，得到每个结点新的时间表示。最后预测每个点的网约车需求，对比的深度学习方法有上述的 DCRNN 和 STGCN 两个，数据是北京和上海的网约车需求数据。（摘自：https://github.com/Eilene/spatio-temporal-paper-list）

---

TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents （oral）

– 为了在复杂的城市交通中安全有效地行驶，自动车辆必须对周围的交通代理商（车辆、自行车、行人等）做出可靠的预测。一个具有挑战性和关键性的任务是探索不同交通工具的运动规律，准确预测其未来的运动轨迹，帮助自主车辆做出合理的导航决策。为了解决这一问题，我们提出了一种基于长期短期存储器（LSTM）的实时流量预测算法TrafficPredict。我们的方法使用一个实例层来学习实例的移动和交互，并有一个类别层来学习属于同一类型的实例的相似性，以改进预测。为了评估其性能，我们收集了一个由不同条件和交通密度组成的大城市的轨道数据集。数据集包括许多具有挑战性的场景，其中车辆、自行车和行人相互移动。我们在新的数据集上评估了交通预测的性能，并通过与现有预测方法的比较，强调了其对轨道预测的更高精度。