Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting

问题类别

回归、邻接矩阵、时空网

问题描述

交通流量预测问题。为了跟踪交通数据之间的空间依赖关系，提出了一种动态时空GCNN用于精确的交通预测。现有的GCNN方法：拉普拉斯矩阵（度矩阵和邻接矩阵的运算结果）固定，空间依赖关系会随着时间的推移而改变，使用固定的拉普拉斯矩阵无法捕捉这种变化。

解决方法的核心思想

动态GCNN（DGCNN）。1、张量分解操作：从流量样本中提取全局分量（由路网结构决定的全局分量）和局部分量（由特定时间或交通事件决定的局部分量），用一个特殊的损失函数预训练张量分解层。2、为了根据全局和局部分量在一天中的特定时间动态学习拉普拉斯矩阵，设计了一种基于深度学习的拉普拉斯矩阵估计器，实时估计的拉普拉斯矩阵将被发送到图形卷积层进行预测。