【论文泛读10】基于多图卷积网络的自行车流量预测

贴一下汇总贴：论文阅读记录

论文链接：《Bike Flow Prediction with Multi-Graph Convolutional Networks》

一、摘要

管理自行车共享系统的一个基本问题是自行车流量预测。由于预测单站流量的难度很大，最近的研究往往在集群水平上预测流量。然而，它们不能直接指导站级的细粒度系统管理问题。在本文中，我们重新研究了站级自行车流量预测问题，旨在利用深度学习技术的突破提高预测精度。我们提出了一种多图卷积神经网络模型来预测车站层面的流量，其中最新颖的是从图的角度来观察自行车共享系统。更具体地说，我们为一个自行车共享系统构建了多个图来反映异构的站间关系。然后，我们融合多个图，并应用卷积层预测站级未来自行车流量。在真实的自行车流量数据集上的结果验证了我们的多图模型可以通过减少25.1%的预测误差来优于最先进的预测模型。

文章主要内容

本文提出了一种多图卷积神经网络模型来预测站点级的流量，从图的角度来观察共享单车系统，为一个自行车共享系统构造了多个图来反映异构的站间关系。融合了多个图形，并应用卷积层来预测未来的站点级自行车流量。

二、简介

本文所述的共享单车系统为有桩共享单车。单站点自行车流量往往具有复杂的动态规律，这使得其预测变得困难。因此，既有研究大多根据站点类别解决自行车流量预测问题。也就是说，他们首先将站点分类，然后预测每个类别的自行车流量。但基于类别的预测有两个问题：

• 聚类结果很难评估是否合适；
• 基于类别的预测结果不能进行站点级别的运营管理指导。

我们提出了一种新的多图卷积神经网络来捕捉不同站点之间的空间关系，例如距离和历史使用关系。在多图卷积层的基础上，提出了一种包含LSTM的encoder-decoder编码解码器结构，用来捕捉时间关系。因此，对于站点级自行车流量预测，可以有效地捕捉时空模式。

共享单车系统图：共享单车系统用加权图表示，节点为站点，边为站点间关系。边的权值表示站与站之间的关系强度。通常，权重越大，两个站点的相关性越高。

自行车流量：有两种类型的自行车流量，流入和流出inflow and outflow。

问题描述：利用t时刻以前的进站流和出站流预测t时刻的进站流和出站流。

三、多图卷积神经网络

本文提出的多图卷积神经网络包含三部分，图生成-多图卷积-预测部分。

• 图生成：图的生成是图卷积模型成功的关键，如果所构建的图不能对站点间的有效关系进行编码，不仅不利于网络参数的学习，还会降低预测性能。一般来说，我们希望为具有相似动态流模式的站点之间的边缘分配较大的权重。在此基础上，提出了建立站间图的三种方法：距离图、交互图和相关图。

• 多图卷积：此部分可分为两块主要内容：图融合以及图卷积。

• 预测网络图