交通流预测——day58 T-GCN：一种用于流量预测的时态图卷积网络

I. INTRODUCTION

(1) Spatial dependence

由于相邻道路间影响较强，短期相似度由状态1（上游道路与中游道路相似）变为状态2（上游道路与下游道路相似）

(2) Temporal dependence

(a)周期性。 道路中的交通量在一周内呈周期性变化。
(b)趋势。 道路交通量在一天内有趋势性变化。

III. METHODOLOGY

A. Problem Definition

Definition 1: road network G
Definition 2: feature matrix XN×P

问题转换为求映射函数 f (式1)

1. n 是历史时间序列的长度
2. t 是需要预测的时间序列的长度

B. Overview

Figure 3

1. 首先,以历史的N个时间序列数据作为输入，利用图卷积网络捕捉城市道路网络的拓扑结构，获得城市道路网络的空间特征。
2. 其次，将获得的具有空间特征的时间序列输入到门控递归单元模型中，通过单元之间的信息传递获得动态变化，捕捉时间特征。
3. 最后，我们通过全连通层得到结果。

C. Methodology

1) Spatial Dependence Modeling

传统CNN只能用于欧式空间，获取局部空间特征。
一个城市道路网是以图形的形式而不是二维网格的形式，因此采用GCN从交通数据中学习空间特征。

如图4所示，假设节点1是一条中心道路，GCN模型可以获得中心道路与其周边道路的拓扑关系，对道路网络的拓扑结构和道路上的属性进行编码，进而获得空间依赖关系。

2) Temporal Dependence Modeling

Fig. 5
GRU以时刻t-1的隐藏状态和当前交通信息作为输入，获取时刻t的交通信息。

3) Temporal Graph Convolutional Network

Fig. 6
左侧为时空流量预测过程，右侧为T-GCN的具体结构，式4–7
HT-1表示时间t-1的输出，GC表示图卷积过程，UT、RT为时间t的更新门和复位门，HT表示时间t的输出。

总之，T-GCN模型能够处理复杂的空间依赖性和时间动力学，最终实现交通预测任务。

4) Loss Function

式8，yt和yt^(hat)分别表示实际交通速度和预测速度；L2正则化项，λ是超参数用于避免过拟合

IV. EXPERIMENTS

V. CONCLUSION

本文提出了一种新的基于神经网络的交通预测方法T-GCN，该方法将GCN和GRU相结合。 利用图网络对城市道路网络进行建模，图上的节点表示道路，边表示道路之间的连接关系，道路上的交通信息被描述为图上节点的属性。 一方面，利用GCN捕获图的空间拓扑结构，获得图的空间相关性； 另一方面，引入GRU模型来捕捉节点属性的动态变化，以获得节点的时间依赖性。 最后将T-GCN模型应用于时空流量预测任务。 在两个真实的交通数据集上，通过与HA模型、ARIMA模型、SVR模型、GCN模型和GRU模型的比较，T-GCN模型在不同的预测水平下都取得了较好的性能。 此外，扰动分析说明了我们的方法的鲁棒性。 综上所述，T-GCN模型成功地从交通数据中捕捉到了时空特征，可以应用于其他时空任务。