杨
杨谖之
V1
2023/02/12阅读:8主题:默认主题
3DGraphConvolutional Networks with TemporalGraphs
3D Graph Convolutional Networks with Temporal Graphs A Spatial Information Free Framework For Traffic Forecasting
论文基本信息
-
标题:3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting -
发表日期:3 Mar 2019 -
arXiv:1903.00919v1 [cs.LG] 3 Mar 2019 -
作者: -
Bing Yu -
Mengzhang Li -
Jiyong Zhang -
Zhanxing Zhu
-
解决什么问题
解决了以下三个现存交通预测模型中存在的问题:
-
时空卷积忽略了时间和空间动态性的相互影响:STGCN在空间上使用图卷积,在时间轴上使用一维卷积,但是对时间和空间信息进行单独处理,忽略了空间和时间动态性之间的相互影响。 -
空间信息难以获取:现存的基于图的预测方法使用空间距离或道路连接来构造图,但是一些实践场景中,由于自由编辑地图无法保证实时更新和准确性,导致空间邻接矩阵很难构造;而商业地图服务又昂贵,api也会限制距离计算。 -
忽略了时间模式的相似性:使用空间信息构建邻接矩阵忽略了时间模式的相似性,距离很远的地点可能拥有相似的时间模式,比如办公建筑附近都会在高峰时期产生交通拥堵。
怎么解决问题
-
使用三维图卷积对静态的道路图和时间动态性一起学习。 -
使用动态时间规整度量时间序列相似度,使用节点间时间相似度来构造邻接矩阵。
实验
-
数据集: -
PeMSD7 -
PEMS-BAY
-
原理

-
时间图生成: -
使用DTW(动态时间规整算法)计算节点之间的时间序列相似度。 -
对每一个节点,取相似度前5%的节点连接,构造邻接矩阵。
-
-
3D-TGCN: -
-
,其中,M是时间序列的长度。 -
:这一三维卷积层的输入和输出的大小(也就是每个节点上特征的数量)。 -
:这一层每个输出通道需要训练的参数。 -
:卷积符号,其中参数 。
-
-
GLU线性门控单元: -
将卷积输出的所有通道分成两等份,一份为G,另一份为H,GLU的输出为: ,其中 是哈达玛积, 是sigmoid函数。 -
将3D卷积和GLU合起来作为3D图卷积层。
-
-
损失函数: -
代码
由于原文没有提供代码、详细数据集或数据处理方法,难以复现。
作者介绍
杨
杨谖之
V1