【论文笔记-3】用于交通预测的多范围注意力双组分图卷积网络

Chen, Weiqi, Ling Chen, Yu Xie, Wei Cao, Yusong Gao, and Xiaojie Feng. “Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting.” arXiv preprint arXiv:1911.12093 (2019). Accepted by AAAI2020.

提出了一种交通预测深度学习模型——多范围注意力双组分图卷积网络(MRA-BGCN)。该模型首先根据路网距离构建节点向图，根据不同的边相互模式构建边向图。然后利用双组分图卷积实现了节点和边的相互作用建模。此外引入多范围注意力机制，对不同邻域范围内的信息进行聚合，自动学习不同范围的重要性。在两个交通数据集（METR-LA和PEMS-BAY）上的实验结果表明取得了很好的效果。

问题定义

交通预测问题的任务是：学习一个函数$f$, 能够给出$T^{\prime}$历史的图信号和图$G$，预测$T$未来的图信号。

数据集

METR-LA and PEMS-BAY是两个公开的交通网络数据集。METR-LA记录了从2012年3月1日到2012年6月30日四个月的交通速度统计数据，包括洛杉矶公路上的207个传感器。PEMS-BAY记录了从2017年1月1日到2017年5月31日的5个月的交通速度统计数据，其中包括旧金山湾区的325个传感器。

方法

论文中的模型如上图所示，包括2部分，（1）双组分图卷积模块 （2）多范围注意力层。

双组分图卷积

图卷积是对给定图结构的节点间相互作用进行建模的一种有效操作。双组分图卷积可以显式地对节点和边的相互作用进行建模。

流连接

在交通网络中，一个路段可能受到其上下游路段的影响。

竞争关系

共享同一源节点的道路链路可能会争夺交通资源，产生竞争关系。

多范围注意力

提出了双组分图卷积的多范围注意力机制，能自动学习不同邻域范围的重要性，从而实现对不同邻域范围内信息的聚集，而不仅仅是给定的邻域范围。

双组分图卷积RNN

将多个BGCGRU层堆叠起来，并使用Sequence to Sequence体系结构进行多步前向交通预测。

评估

• 性能比较
  
• 边向图的影响
  
• 多范围注意力机制的影响
  

总结

提出了一种用于交通预测的多范围注意力双组分图卷积网络。具体来说，采用双组分图卷积来明确地建模节点和边的相关性，利用一种边向图构造方法来编码边的上下游连通性和竞争关系，使用多范围注意力机制，有效地聚合多个邻域范围信息，生成综合的表示。可以进一步研究的地方是，可以考虑更多的影响因素，比如交通事故以及周围的兴趣点；目前论文中考虑的是单模态输入图，还可以研究多模态输入图。