论文笔记：Fine-Grained Urban Flow Prediction

2021 WWW

1 intro

• 细粒度城市流量预测
  • 两个挑战
    • 细粒度数据中观察到的网格间的转移动态使得预测变得更加复杂
      • 需要在全局范围内捕获网格单元之间的空间依赖性
    • 单独学习外部因素（例如天气、POI、路段信息等）对大量网格单元的影响非常具有挑战性
  • ——>论文提出了时空关系网（STRN）来预测细粒度的城市流量
    • 骨干网络用于学习每个网格单元的高级表示
    • 全局关系模块（GloNet）捕获全局空间依赖性
    • 元学习器将外部因素和土地功能（例如POI密度）作为输入以产生元知识并提高模型性能

2  几个定义

2.1 网格单元

图3(a)，分成H×W个网格

 2.2 城市流量

三维张量  一般K为2（流入 & 流出）

2.3 区域

• 图3(c)， 基于道路网络的不规则区域分割
  • 更自然，更语义丰富的空间分割
• 每个区域由许多网格单元组成
  • 使用矩阵表示分配规则
    • N=HW
    • M为区域个数
    • bij表示网格单元i属于区域j的可能性

2.4 外部特征

• 城市流量数据与外部因素（如天气状况，一天中的时间和事件）具有很强的相关性
• 某个时间步t的这些外部因素表示为向量

2.5 土地特征

• POI的类别、其在城市网格单元中的密度
  • 指示该单元的土地功能以及该单元中的交通模式
    • ——>有助于预测网格单元的城市流动
• 公路网的结构（如快速路路段的数量）也为交通建模提供了很好的补充

——>将POI和土地特征结合在一起，表示为

3 模型

3.1 模型整体

 3.2  骨干网络

论文/机器学习笔记：SENet （Squeeze-and-Excitation Networks）_特征通道之间的相互依赖关系_UQI-LIUWJ的博客-CSDN博客

• SENet 
  • 在每一层的小（局部）感受野内融合空间和通道信息
  • 被证明可以有效地产生紧凑而有区别的网格单元特征

 3.3 全局关系模块GloNet

•  将骨干网络的输出 reshape成
  • N=HW
• 生成网格和区域的分配矩阵

   

  • 可以基于道路网络执行静态区域分割
    • 无法捕获高度动态的交通状况和随时间变化的外部因素
  • 论文中通过函数δ基于Xℎ计算B
    •  
    • 【这会不会有一个隐患，就是我网格分配给了一个可能完全不搭边的很远的区域去了？】
  • 受到Mincut理论的启发，增加了一项Mincut 损失正则项来约束区域划分
    • 
• 基于 和
  • 得到对应的邻接矩阵和区域表征

     

    • 
    • 其中是通过网格的邻接关系直接得到的邻接矩阵
• ——>使用GCN进行信息传递

   

  • 
    
    论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS_切比雪夫图卷积论文_UQI-LIUWJ的博客-CSDN博客
  • 

• 获得了区域级别的全局感知特征H'后，投影回原始空间

  • 

  •  

• 最后进行张量的维度变换和经过最终的预测网络层（FC），得到预测结果 

3.4 损失函数

4 实验

4.1 实验数据

4.2 实验结果 

 

4.3 预测精度 VS 参数量