在此处输入标题

未分类

Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting

需求：预测乘车需求
难点：复杂时空关系
现有：
1.只针对欧氏距离---空间相关性 方格划分 equal-size grids 建图
2.只考虑局部信息，没有考虑上下文和全局信息---时间相关性

方案：
1.空间相关性：时空多图卷积网络ST-MGCN，将非欧关联 编码成多图 来预测区域之间的成对关系
2.时间相关性：环境门控递归神经网络CGRNN：
在不同时间戳中，重新加权不同的历史数据

问题定义：
T张历史图输入去预测t+1时刻的图

领域\功能相似区(poi)\连通性(交通) 三张图 分别做RNN？(重画权重) 再 GCN

实验
数据集：
1.北京上海叫车数据集
2.poi，包含13种类
3.道路信息 osm

Attention Based Spatial-Temporal Graph Convolutional Networks
for Traffic Flow Forecasting
需求：交通流量预测
难点：缺乏动态时空性建模

方案和思路
基于注意力的时空图容量网络(ASTGCN)
ASTGCN主要由三个独立分量：最近、每日、每周
1)时空注意力机制，捕捉动态空间关联;
2)时空卷积，GCN---空间 CNN---时间
三个分量的输出加权
![image.png-92kB][]1
网络： 时空注意力---GCN空间---CNN时间---FC

实验
数据集
PEMSD4/8

Revisiting Spatial-Temporal Similarity: A Deep Learning Framework
for Traffic Prediction

需求动机难点同上
(1)空间规律动态 住宅/商业区相关性会变
(2)日、周 且不具有严格周期性 周期性会偏移

方案和思路
划分：网格
STDN，
flow gating mechanism---位置 （包含路径与区域流量） cnn
周期性转移注意力机制---周期性时间 LSTM
FC全连接

实验
数据集
NYC-Taxi/Bike

Learning Heterogeneous Spatial-Temporal Representation
for Bike-sharing Demand Prediction
需求：预测共享单车确切需求量，以便方便投放
难点：现有方案(arima\lstm\gru)只针对了时间， 但是缺少空间上的建模

方案与思路：
事件流串行化:将动态异构图变成序列（语料库中的单词序列）。
STG2Vec：动态注意力机制的图嵌入模型（建立站点间的联系）
CE-LSTM将嵌入的多源信息与所提出的STG2Vec输出相结合，进行协同时序建模

地理位置、轮转模式、气象、时间、邻域
1.f_trans 统计指标
2.f_time/wea
3.其他信息 转成VEC
都送入lstm

Dynamic Spatial-Temporal Graph Convolutional Neural Networks for
Traffic Forecasting
目的：交通预测
难点：原有方案GCN不考虑时间

DGCNN

问题定义：同时预测多个路段交通速度
V：路 E：两条路是否连同

贡献：动态拉普拉斯矩阵估算器（用于空间卷积）
时序卷积--空间卷积--时序卷积

DeepSTN+: Context-aware Spatial-Temporal Neural Network for Crowd Flow
Prediction in Metropolis
目的：人流量预测
现有问题：
1.不能直接捕捉长距离空间关系（跨区域）
2.忽略了位置的功能（POI）
3.网路结构不稳定

DeepSTN+
区域划分：grid
基本模型:ST-resnet
主要贡献：
1.convPlus---捕获长期空间依赖性
正常的捕获近距离，分离的捕获远距离（池化再卷积）
2.POI
把不同种类POI分布叠加
3.提前融合