时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)

Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting(AAAI202)
解决问题:实现交通流量预测
动机:
1.由于道路网络和交通条件所带来的复杂的时空相关性和不确定性;
2.这些方法受限于捕捉交通数据非线性的能力,而忽略或几乎不利用空间相关性
3. cnn限制模型处理网格结构(如图像和视频),没有考虑以不规则道路网络为主的非欧几里
4. GCN存在两个限制:1)在一个固定的加权图中利用GCNs来建模空间依赖性 2)这些方法通常使用在给定的邻域范围内聚合的信息(即-hops内的邻域),忽略多个范围信息。
模型
Multi-Range Attentive Bicomponent GCN (MRA-BGCN),它不仅考虑节点间的相关性(The node-wise graph),还将边视为相互作用的实体(edge-wise graph ),以及利用多个范围信息(multi-range attention mechanism)
时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)
文章图片



(1) the bicomponent graph convolution module
包括node-wise graph convolution layers and edge-wise graph convolution layers ,他们实现对节点和边的相互作用进行建模。
时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)
文章图片


Stream connectivity
道路连接可能受到上下游道路连接的影响。如图3(a)所示,(→)是(→)的上游,因此它们是相关的。我们使用高斯核计算?中流连通性的边缘权值

时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)
文章图片

Competitive relationship
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。共享目标节点的两条边(→)和(→)由于竞争关系而相关。

时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)
文章图片



(2) the multi-range attention layer
自动学习不同邻域范围的重要性,能够聚合不同社区的信息。多范围注意层对不同邻域范围内的信息进行聚合,并学习不同邻域的重要性范围而不是给定的邻域范围

时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)
文章图片


Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning









【时空数据预测(基于图神经网络)|图神经网络应用变体(时空数据挖掘一)】

    推荐阅读