Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结

Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结
作者：Zulong Diao,Xin Wang, Dafang Zhang, Yingru Liu,Kun Xie, Shaoyao He,湖南大学计算机科学与电子工程学院
来源：AAAI-2019
源码：???(未找到)
一、论文动机
在ITS的Traffic forecasting方面，目前已有许多理论研究工作。其中，traditional machine learning methods（ARMA,SVR等）是线性的，不适合处理多变的交通数据，预测准确率低；RNN和CNN不适用于不规则图形关系的数据点；GCNN利用光谱图理论，虽然可有效地处理非欧数据信号，在短时交通预测上很有效，但其假设Laplacian matrix严格不变且可用(adjacency matrix是常数)，与现实中诸多外部因素（traffic accidents等）导致adjacency matrix和Laplacian matrix动态变化的事实相背，故使用固定的Laplacian matrix无法捕捉交通数据动态的依赖关系。为此，该文提出一个dynamic spatio-temporal GCNN (DGCNN)，以更准确地预测网络范围内的交通速度。DGCNN的核心思想是提出新的方法，估计出图的Laplacian matrix的动态变化。而且经两个实时流量数据集的验证，其预测精度提高了25%。
二、论文创新
2.1 将tensor decomposition operations(layer)纳入深度学习框架DGCNN，把实时交通数据分解为一个全局分量（ 稳定且依赖于长期的时空交通关系）和一个局部分量（捕捉交通流量波动）；
2.2 设计一种基于上述两个分量的动态Laplacian matrix估计器，实时估计的Laplacian matrix，以便图卷积层进行交通预测.
三、论文模型
3.1 DGCNN模型

模型由三部分组成：
Laplacian matrix estimator: 提取实时Laplacian矩阵L，并将其传递给DST-Conv Blocks。
DST-Conv Blocks:含2个门控时间卷积层和1个空间图卷积层，获取时空依赖关系。
output layer：含1个时间卷积层和1个全连接层，它将时间维度大小转换为1，并生成最终输出。
输入：
输出：
3.2 Laplacian Matrix Estimator

Laplacian matrix estimator：
a Tensor Decomposition Layer (TDL):含Contraction,Recovery 提取全局和局部部分。
a unit for dynamic Laplacian matrix learning
四、论文实验
4.1 数据集
NYC：包含从部署在纽约市曼哈顿区道路段的交通速度检测器收集的交通信息。 选择50个传感器，收集2个月的数据，从2017年12月1日到2018年1月30日。
PeMS:含来自加州高速公路的实时速度数据。选择50/142/228探测器，收集6个月的数据范围从2017年4月1日到2017年9月30日。
数据由每个检测器每5分钟聚合并输出一次。 所有的研究都用1小时作为历史时间窗口，以预测未来15/30/45分钟的交通状况.
4.2 Evaluation Metric and Baselines.
Metric:Mean Average Error (MAE) ,Rooted Mean Square Error (RMSE)
Baselines:
1)Vector Autoregression (VAR);
2)Feed-Forward Neural Network (FNN);
3)Graph Convolutional GRU (GCGRU, published in ICLR-2018) (Li et al. 2017);
4)Spatio-Temporal Graph Convolutional Networks (STGCN,published in IJCAI-2018) (Yu, Yin, and Zhu 2017a).
4.3 设置
所有深度学习模型都被训练了50次，批处理大小为50。 初始学习率为0.001，每5个epochs后衰减率为0.7。将图卷积核大小和时间卷积核大小设置为3。 在DGCNN的时空卷积块中，输出特征映射的大小分别为64、16、64。
4.4 实验结果
Forecasting Accuracy：


Fault Tolerance Comparison：

Spatial Dependencies Learning：

五、实验结论
5.1与其他模型相比，DGCNN平均精度能提高10%—25%
5.2动态拉普拉斯矩阵估计器在预测过程中起着重要的作用。