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

3D-TGCN网络结构
3D-TGCN网络结构
  • 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。

分类:

人工智能

标签:

深度学习

作者介绍

杨谖之
V1