【GraphNN】Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availa...

Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction

用于城市范围内停车可用性预测的半监督分层递归图神经网络
原文链接：https://arxiv.org/pdf/1911.10516.pdf
年份：2020
Publisher：AAAI 2020 Computer Science, Engineering, Mathematics

1. Abstract

        对市内停车位的有效预测可以提高停车效率，帮助停车规划，从而最终有效解决停车拥堵。解决该问题面临以下三个挑战：
（1）停车场之间非欧式空间的自相关性；
（2）停车场内部和停车场之间的动态时间自相关；
（3）实时传感器（摄像头、超声波传感器、GPS）获得的实时停车可用性信息的稀缺。
        具体来说，首先提出了分层图卷积结构(a hierarchical graph convolution structure)来对停车场之间的非欧氏空间自相关进行建模，接着分别提出了上下文图卷积块和软聚类图卷积块来描述停车场之间的局部和全局空间依赖性；然后采用递归神经网络来合并停车场的动态时间依赖性；此外还提出了一个停车位可用性PA近似模块，来估计从时空域丢失的实时停车位可用性。最后，实验证明SHARE（Semi-supervised Hierarchical Recurrent Graph Neural Network）的性能优于其余七个baselines。

2. Introduction

        城市交通拥挤引起了学术界和工业界的关注。一方面，谷歌用用户调查和谷歌地图上的轨迹数据来进行停车难度的预测，百度用环境特征预测城市停车可用性。这两种都是间接的数据，都可能导致不准确的预测结果。另一方面，摄像头、GPS、传感器等设备的普遍为该问题的研究带来了很大的便利，但是出于经济和安全的考虑，很难大规模覆盖所有的停车场。
        在本文中，我们建议根据环境上下文数据（例如POI分布，人口）和部分观察到的实时停车可用性数据，同时预测城市每个停车场的可用性。通过整合两个数据集，我们可以在城市范围内做出更好的停车可用性预测。但是这件事存在以下三个挑战：
（1）空间自相关。一个停车场的可用性不仅受临近停车场的影响，而且和距离远的停车场同步。第一个挑战就是如何对停车场之间不规律的且非欧式自相关性建模；
（2） 时间自相关。停车场的未来可用性与其先前时间段的可用性相关。此外，停车场之间的空间自相关也可能随时间变化。如何为每个停车场的动态时间自相关建模是另一个挑战；
（3）停车可用性（PA）稀缺。只有一小部分停车场配备了实时传感器。根据最大的地图服务应用程序之一，北京有超过70,000个停车场，但是，只有6.12％的具有实时停车可用性数据。第三个挑战是如何利用稀缺和不完整的实时停车可用性信息。
Major Contributions

• a semi-supervised spatio-temporal learning famework：整合环境上下文因素和稀疏的实时停车可用性数据。
• a hierarchical graph convolution module：解决停车场之间非欧式空间相关性，包含上下文图卷积块和软聚类图卷积块，分别对应于本地和全局的空间依赖模型。
• a parking availability approximation module：估计没有传感器监控的缺失的停车可用性数据。具体来说，我们引入了一个传播卷积块（ Propagating Graph Convolution），并重用了时间模块用来从空间和时间域近似估计缺失的停车位，然后通过基于熵的机制将它们融合。
• 用北京和深圳两个城市的数据来评估SHARE（Semi-supervised Hierarchical Recurrent Graph Neural Network），结果显示比其余七个要好。

3. Framework Overview

The framework overview of SHARE.

正如以上描述的那样，所有停车场的上下文特征和有传感器停车场的测试数据作为输入数据，输出为所有的停车场预测时间步 之后的PAs。
    首先，用层级图卷积单元（hierarchical graph convolution mudule）给停车场间的空间自相关性建模，此处上下文图卷积（CxtConv）块通过丰富的上下文特征捕获停车场之间的局部空间依赖性（例如，POI分布，地区人口等），而用软聚类图卷积（SCConv）块通过将每个停车场软分配给一组潜在聚类节点来捕获远处停车场之间的全局相关性。
    其次，时间自相关建模模块采用门控循环单元（ Gated Recurrent Unit (GRU)）对每个停车场的动态时间相关性进行建模。
    最后，用PA近似模块从时空域估计 中停车场缺失的PA分布。在空间域中，传播图卷积（PropConv）块基于每个停车场的上下文相似性，将观察到的实时PA传播到近似丢失的PA。在时间域中，我们再次使用GRU模块，基于上一个时间段的输出来近似当前的PA分布。然后，通过基于熵的机制将两次估计的PA融合，并馈送到SCConv块和GRU模块以进行最终预测。