AAAI2019

0 摘要

交通流数据通常有很高的非线性和很复杂的特征。目前很多交通预测的方法缺乏对交通数据时空相关性的动态建模。

本文提出了一种基于注意力的时空图卷积神经网络（ASTGCN）来解决交通预测问题

ASTGCN包括三个独立的部分，分别对交通流的三种时间属性进行建模：

1）当前相关性（recent dependencies）

2）每天的周期性（daily-periodic dependencies）

3）每周的周期性（weekly-periodic dependencies）

每个独立的部分都包含了以下两块：

1）时空注意力机制，可以捕捉交通数据中动态的时空相关性

2）时空卷积，可以同时将图卷积应用于交通数据中，来捕获时间和空间特征

单个独立部分的结果将被加以权重地结合起来，来生成最终的预测结果

1 introduction

图1体现了交通数据的时空相关性，不同的位置，不同的时间，各点交通流量之间的影响是不一样的——》交通数据在空间和时间维度都展现出了强大的动态特征

早期模型的缺点

ASTGCN:

1）使用空间注意力机制来建模空间层面复杂的相关性

2）使用时间注意力机制来捕获不同时间之间的动态时间相关性

3）使用图卷积来捕获交通图中的空间特征；以及不同时间篇之间的依赖关系 
 

2 相关工作

2.1 交通预测

2.2 GNN

3 Preliminaries

3.1 交通网络

3.2 交通流预测

问题描述

4 ASTGCN

4.1 整体框架

ASTGCN由三个部分组成（前面在abstract说的recent、daily-periodic和weekly-periodic），三个部分的结构几乎是一样的。

为了优化训练的效率，我们在每个ST模块上添加了一个残差连接

4.2 recent、daily-periodic和weekly-periodic数据集划分

 我们分别设置提取数据集的时间片段长度Th,Td和Tw，表示recent、daily-periodic和weekly-periodic的数据集划分间隔，Th，Td，Tw都是原始数据集时间间隔的整数倍

4.2.1 recent 临近时间片段

预测时间段之前的一小段时间片段

 4.2.2 daily 日周期片段

预测时间片段之前几天相同的时间片段

4.2.3 weekly 周时间片段

预测时间片段之前几周相同的时间片段

4.3 时空注意力机制

• 在空间维度，不同区域的交通状况相互影响，这种相互影响有很强的动态性
• 在时间维度，不同的时间片段的交通流量存在相关性

4.3.1 空间注意力机制

通过注意力机制捕获以上两种关系，此处以recent 模块为例：

这里  是第r层ST-块的输入

是第r层每个点每一时刻特征的维度（当r=1时，也就是原始输入，等于F）

是第r层时间维度的长度（当r=1的时候，对于recent来说，就是；对于daily来说，就是；对于weekly来说，就是）

和都是N×N的矩阵，是对attention结果的加权/bias

对应的是attention里面Q,K,V的权重，其中

机器学习笔记：Transformer_UQI-LIUWJ的博客-CSDN博客_机器学习transformer

、 、都是可学习的参数

σ是激活函数

由此我们便动态地算出了本层ST模块的空间注意力矩阵，这个矩阵根据当前层ST模块的数据计算而得。

表明了点i和点j之间的相关联程度，使用softmax使得相关联程度之和为1

之后的图卷积模块中，我们会将这个空间注意力矩阵S和邻接矩阵A一起考虑，来动态调整点与点之间的影响权重

4.3.2 时间注意力机制

和空间注意力机制类似，我们有：

其中，这五个矩阵都是可学习的

 表明了时间i和时间j之间的相关联程度，使用softmax使得相关联程度之和为1

之后的图卷积中，我们直接将标准化的时间注意力矩阵应用到数据集上

来动态调整输入数据

 4.4 时空卷积

之前时空注意力模组让网络更关注一些更有用的信息。调整后的输入被喂入时空卷积中

时空卷积网络由一个空间维度的图卷积（来捕获邻居节点之间的依靠关系）和一个时间维度的卷积（来捕获相邻时间片之间的依靠关系） 

4.4.1 空间维度的图卷积

 这里使用谱图卷积（spectral graph convolution）。图结构的属性可以通过分析图拉普拉斯矩阵及其特征值来获得

拉普拉斯矩阵L=D-A，D是度矩阵（对角矩阵），A是邻接矩阵

标准拉普拉斯矩阵

对拉普拉斯矩阵进行特征值分解，我们有：

（这里因为是无向图，所以拉普拉斯矩阵一定对称，所以后面一项可以是U的转置）

其中： 是特征值组成的对角矩阵

U是傅里叶基

我们记图上的一个点的信号为x，那么这个信号x经过图傅里叶变化之后，变为：

因为拉普拉斯矩阵是对称矩阵，所以U是一个正交矩阵，所以信号x的逆拉普拉斯矩阵为 

基于上面的部分，信号x和图上的filter 图卷积后的结果为：

*G表示了一个图卷积计算

我们可以把上述方程看成：先把信号x和经过傅里叶变化变换到谱图域中，然后将他们进行乘法操作，最后在通过你傅里叶变化得到最州的谱图卷积结果

 然而，当图很大的时候，计算拉普拉斯矩阵的特征值开销是很大的，于是，我们可以使用切比雪夫多项式来进行近似：

这时候的参数θ就是切比雪夫多项式的系数了。

，是拉普拉斯矩阵最大的特征值。

切比雪夫多项式为 

 我们进行0~k-1的切比雪夫多项式的相加，相当于计算0阶~k-1阶邻居节点对于中心节点的影响（影响的大小由卷积核决定）

图卷积的觉果使用RELU进行激活，即

而我们在4.3.1引入了空间注意力机制，得到了一个空间注意力矩阵S‘，怎么使用那个矩阵呢？

对于切比雪夫多项式中的，我们让他和S’做哈达玛积（对应位置元素相乘），即：

那么“有价值”的点，获得的权重更多；“没有价值”的点，获得的权重就少 

因此，在引入了空间注意力机制后，用切比雪夫多项式近似的谱图卷积可以写为：

 4.4.2 时间维度的卷积

在图卷积之后，我们使用时间卷积来更新点的信号

4.4.3 ST卷积模块总结

时空注意力模块+时空卷积模块，组合成了一个ST卷积模块

我们可以叠加多个ST卷积模块，以进一步提取更大“感受野”的关联信息。

最后，添加一个全连接层，以保证输出与目标有相同的维度和形状，最后的全连接层使用 ReLU 作为激活函数。

4.5 Mult-component fusion：将recent、daily-periodic和weekly-periodic模块结果结合

这一个部分很简单

即三组可学习的参数分别与recent、daily-periodic和weekly-periodic模块的结果及逆行哈达玛积。

5 实验部分

5.1 数据预处理：

1）去除了冗余的观测点，使得相邻观测点之间的距离大于等于3.5英里（不知道为什么。。。）

2）缺失的点使用线性插值填充

3）数据用zero-mean来进行标准化

5.2 实验结论

1）传统的时间序列分析方法（HA、ARIMA）通常并不理想

——>这些方法在建模交通数据的非线性和复杂性上是欠佳的

2）相比于传统的时间序列方法，有些深度学习的方法得到的结果会好很多

3）在深度学习方法中，同时考虑了时间和空间属性的模型（STGCN、GLU-STGCN、GeoMAN、我们的模型）效果比LSTM和GRU（只考虑了空间属性的模型）好

4）GeoMAN模型效果比STGCN和GLU-STGCN效果好

——>注意力机制是有效的

5）对我们的模型MSTGCN（没有注意力机制的模型）已经比原有的模型要好了；加了注意力机制之后的模型ASTGCN效果更好

 

随着我们的预测间距的增大，预测的难度也在增加，预测误差也随之增加

只考虑时间属性的模型，在短期预测任务中通常有不粗的表现（HA、ARIMA、LSTM、GRU等），但是，随着预测区间的增发，这些模型不适用于预测长期的内容

相比而言，同类型模型的VAR准确率下降得就慢了很多。（因为VAR同时考虑了时间和空间的相关性，这个在长期预测任务中是很关键的），但是随着交通网络规模的增大，我们需要考虑更多的交通时序信息，，VAR的预测误差就上去了（如图6所示，VAR在PeMSD4的准确度小于其在PeMSD8的准确度）

我们的模型在任何时候都比其他的模型效果好，尤其是在长期预测问题中。这说明了使用注意力机制+图卷积操作可以更好地挖掘交通数据中动态的时空特征

图7在说明注意力机制有什么用处，论文选取了PeMSD8中的10个点，对他们之间的attention矩阵进行了可视化。

以点9为例，权重大的是点3和点8，这是很合理的

6 展望

未来可以考虑一些外部影响因素，例如天气因素和大型事件，进一步提高预测精度。