交通流预测——day59 交通网络动态性与多权重交通图卷积（MW-TGC）网络的交通预测

III. PRELIMINARIES

A. Transportation Network Graph

• 有向图G；V表示有限的路段集、E表示路段之间连接的有限边集，A是图G的一组流入流出邻接矩阵，流入流出矩阵AI+AO之和就是无向图的邻接矩阵

Fig. 1.，从交通网络生成图

B. Traffic Speed Forecasting

• 假设交通速度数据在交通网络G上生成为图形信号，Xt 为 t 时刻 N 个路段的速度分布。
  

式1定义了该交通流预测任务,要求预测出的结果和真实值尽可能减小误差

C. Traffic Graph Convolution (TGC)

要一定线性代数基础才能看明白，不过多解释，总之TGC对每个加权邻接矩阵只需要一个N×N的权参数矩阵，优于spec tral graph convolution (SGC 谱图卷积)。

IV. 多权重流量图卷积（MW-TGC）网络

A. Weight Matrix Generation

权重信息：

1) Distance

dij ，两个路段中点之间的直线距离
式2

2) Speed Limit

在我们的研究地点韩国首尔，80km/h、60km/h和30km/h的限速分别表示城市快速路、城市主干道和本地/住宅区道路。

1. Speed limit-ratio是在运动方向上连续两段之间的比率
2. Speed limit-category为限速较高的路段分配较大的权重
3. Speed limit-change是一个二进制权重，以标记速度限制变化的边缘

3) Angle

用角度来表示两个路段之间的几何布局

4) Plain

• 在普通邻接矩阵A^k=(akij)中，A^kij表示从路段 i 到 j 的可选路径数

• 当所有的权值和方向都被计数时，每个秩可以生成6个（权值个数）× 2 个（流向个数）的加权邻接矩阵

B. 多权重交通图卷积

Fig. 2.

• 当考虑 c 类加权邻接矩阵和可达 k 秩的邻接矩阵时，图信号在 t 时刻的MW-TGC运算的输出为式9，MW-TGC运行后，将整流线性单元(RELU)激活函数应用于输出GC{k}t

• 为了合并多个加权邻接矩阵，进行降维卷积(DRC)以将原始MW-TGC操作输出的大小从（图2(a))减小到计算可行的大小（图2(b))。

C. 基于LSTM的时空 Seq2Seq 模型

• 为了了解时间依赖的动态性，在每一个时间步长T上，空间依赖被MW-TGC模块建模，然后输出序列被馈送到使用LSTM实现的时空序列到序列(SEQ2SEQ)模型

V. EXPERIMENT

VI. CONCLUSION AND FUTURE WORK

在本文中，我们提出了一种新的交通预测模型，在交通图卷积框架内结合交通网络的各种结构特征来建模时空相关性。 该模型能够将多种类型的权重或信息输入到单个图卷积网络中。
在今后的工作中，我们计划在网络科学的基础上进一步评估交通网络的结构动力学。 节点中心性度量，如中间性和贴近中心性，可能比原始的结构信息更有助于增强模型的学习能力。未来的工作可能会扩展到交通领域的应用，如出租车需求预测和旅行时间估计。