2020顶会基于时空图神经网络驱动的交通流预测模型

概述

交通流的分析、预测与调控已成为当前构建智慧城市建设中的核心环节。通过引入深度神经网络以及大规模交通数据，有助于揭示复杂交通系统中潜藏的各类规律。道路交通流的变化不仅在时间层面受到序列特征的影响，同时在空间层面也与周边道路存在密切关联。尽管已有大量关于未来交通流预测的研究成果，但多数研究在处理时空相关性方面仍存在一定不足。本研究设计了一种全新的空间时态图神经网络模型，用于交通流预测，该模型能够全面识别空间与时间维度上的特征模式。尤为突出的是，该架构引入了一种可学习的位置注意力机制，以高效整合相邻道路所传递的信息；此外，还配置了时序模块用于刻画交通流动态变化过程中的局部与全局时间依赖关系。 多组真实交通数据集上的实验结果充分验证了该框架的优越性能。

主要的贡献：

1. 设计了一种融合位置注意力机制的图神经网络结构，旨在更有效地整合周边道路的交通流量信息；
2. 将递归网络与变换层相结合，用以提取局部及全局的时间关联特征；
3. 构建了一个全新的时空图神经网络框架STGNN，该框架专为处理具备复杂拓扑结构和时间依赖特性的序列数据而设计；

模型主要由三个组成部分构成：1) 空间图形神经网络(S-GNN)层，其功能是借助交通网络来揭示道路之间的空间关联性；2) GRU层，用于按时间顺序提取时间上的依赖关系(或局部