Android studio百度地图之定位到国外

python数据分析-01Series

  返回  

读论文-Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

2021/8/21 15:29:19 浏览:

读论文-Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting/2021/8/21

  • 1.文章信息
  • 2.Abstract
  • 3.Introduction
  • 4.Related Works
    • 4.1Similarity of Temporal Sequences
  • 5.Preliminaries
  • 6.Spatial-Temporal Fusion Graph Neural Networks
    • 6.1Spatial-Temporal Fusion Graph Construction
    • 6.2Spatial-Temporal Fusion Graph Neural Module
    • 6.3Gated Convolution Module
  • 创新点
  • 其他

1.文章信息

人工智能顶会AAAI上的一篇文章

2.Abstract

现有方法的一些问题:
1.不能充分学习时空依赖,不能有效处理时空数据。
2.只能使用独立的组件来获取局部和全局的依赖。
为了解决这些问题,就有了这个论文:
1.提出了一个生成时空图的数据驱动方法,可以学习到隐藏特征,弥补现有的方法中空间图反应不出的联系。
2.把这个融合图组件和门控卷积组件集成,就能学到更多时空依赖,所以就能解决远程序列。

3.Introduction

1.现有的模型还有一些缺点:缺少信息行图的构造,现有的模型只使用空间邻接矩阵对图建模,忽略了时间的相似度,现在也有一些模型也试图解决这个问题,但还有一些缺陷。

2.为了获取局部和全局的复杂时空关系,作者提出了基于CNN架构的STFGNN。

3.作者提出了新的数据驱动的方法来构造图:基于时间序列相似度的时间图。然后一些图就能构造成时空融合图来获取隐藏时空依赖。

4.为了打破局部和全局关系的权衡,作者引入了门控扩张卷积组件来获得远程依赖。

5.论文的2个主要贡献:
5.1通过数据驱动方法构造一个新的图,可以保存新的时空依赖。数据驱动邻接矩阵可以提取出空间图提取不到的联系。然后就提出了一个新的时空融合图组件,获取时空依赖。
5.2通过集成时空融合图和门控扩张卷积神经网络来获取局部和全局的依赖,所以远程的时空依赖也能被提取。

4.Related Works

4.1Similarity of Temporal Sequences

通过对DTW算法进行改进,让时间复杂度更少。得到两个结点的时间序列的特征的相似度。

5.Preliminaries

我们把路的网络建模成图G,V表示结点,N表示结点个数,E表示边,ASG是大小为NN的空间邻接矩阵,存储结点的距离。
请添加图片描述
X表示图G在时间步长为t时刻的图,N
d表示N个结点d个特征。
请添加图片描述
交通预测是学习到一个函数,能计算出一个时间段的图预测到下一个时间点的图。

6.Spatial-Temporal Fusion Graph Neural Networks

如下图所示,STFGNN网络模型包括:1.输入层。2.时空融合图神经网络层。3.输出层。
输入层:包括一层全链接层,后面跟着一个激励层。
时空融合图神经网络层:由STFGN组件和Gated CNN组件组成,Gated CNN组件包括两个1D的dilated convolution block。
输出层:包括两层全链接层,后面跟着一个激励层。
请添加图片描述

6.1Spatial-Temporal Fusion Graph Construction

生成时间图的目的是获取更精确的依赖。把时间图集成到新的时空融合图中,可以获得更多信息:1.空间的邻居。2.有相似时间模式的结点。3.结点在时间轴上之前和后续的状态。
这个时空融合图包括:
1.空间图Asg,是数据集给的,在STFG的斜对角线的中间,从空间邻居传送信息。
2.时间图Atg,是由算法生成的,在空间图的水平和竖直的方向,给每个结点沿时间轴拥有的信息。
3.时间连接图,如果之前和后序的时间步长是同一结点值就是非零,在STFG角落里,增强结点的相同时间模式的信息。(这个图没太懂,毕竟是第一次读论文,有很多基础知识还不会,谁会可以在评论或者私信教教我)
请添加图片描述

6.2Spatial-Temporal Fusion Graph Neural Module

STFGN组件可以通过矩阵乘法(替代了拉普拉斯,节省了运算时间),残差连接,池化的操作获取隐藏信息。
每个结点都能通过多次的矩阵乘法计算,从空间图得到空间依赖关系,从时间图中获得时间模式关系,从时间连接图中获得沿着时间轴的结点自身的关联。
在STFGN组件中使用了GLU的思想,hl代表第l层的隐藏状态,A*是STFG的简写,W是权值,b是偏置。此外又使用了残差连接和池化操作。
请添加图片描述
接下来,STFGN组件的输出要与Gated CNN组件的输出进行拼接,拼接后的结果再当作输入送入下一个STFGN层。

6.3Gated Convolution Module

作者又引入了Gated CNN模块,公式如下:
请添加图片描述
尽管集成时间图能够提取全局时空依赖,但是时间图包含更多结点远距离的关系。有着大的扩张率的扩张卷积可以学习远程依赖。所以在这个模型中又引入了扩张卷积。Θ1和Θ2是2个独立的卷积操作,扩张率作者设的是3,这样可以扩大感受野,提高模型的性能。

损失函数:Huber 函数公式如下请添加图片描述

创新点

1.通过集成时间图和时空图来获取更多隐藏依赖。
2.通过集成STFGN组件和Gated组件(使用了扩张卷积)获取更多远程信息。

其他

本人准21级没开学的新生,主要目的是自己解读论文加深印象,由于第一次读论文,可能有一些曲解论文中作者的意思,如果存在错误,欢迎大家指证。

联系我们

如果您对我们的服务有兴趣,请及时和我们联系!

服务热线:18288888888
座机:18288888888
传真:
邮箱:888888@qq.com
地址:郑州市文化路红专路93号