DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting

交通流预测是时间序列分析中的一个典型问题，是机器学习最重要的应用领域之一。然而，由于道路网络中存在复杂的动态时空相关性，实现高度准确的交通流预测是一项具有挑战性的任务。本文提出了一种新的动态时空感知图神经网络(DSTAGNN)来模拟道路网络中复杂的时空相互作用。首先，考虑到历史数据承载着路网空间结构的内在动态信息，提出了一种基于数据驱动策略的动态时空感知图，以取代传统图卷积中预定义的静态图。其次，设计了一种新的图神经网络架构，不仅可以通过改进的多头注意力机制来表示节点之间的动态空间相关性，还可以通过多尺度门控卷积从多个感受野特征中获取广泛的动态时间依赖性。在真实数据集上的大量实验表明，所提出的方法明显优于目前最先进的方法。

阅读者总结：文中提出的模型：主要是考虑了交通时间序列数据上的依赖关系，具体说提取节点之间的空间依赖关系，以及在时间上的动态相关性。其实模型本身不是很新颖，这类交通数据的建模问题，已经研究了很多年，可以说各个模型考虑了交通时间序列上的各种情况，但是文中采用的模型也很一般。

背景：1）文中历史数据是高度动态和复杂的时空依赖模式 2）不考虑区域之间的距离，相似的城市功能区可能导致路网中节点之间的交通数据存在相关性

 

缺点：

 

 针对上述问题，本文提出了一种新的神经网络框架——动态时空感知图神经网络(Dynamic Spatial-Temporal Aware Graph neural network, DSTAGNN)1用于交通流预测，该框架可以同时捕获路网的短期和长期时空相关性。我们构建了一种新的图，通过直接挖掘历史交通流数据来获取节点间空间关联的动态属性，而不使用预定义的静态邻接矩阵。我们将这种动态关联属性称为时空感知距离(Spatial-Temporal Aware Distance, STAD)。

问题：

 

 

 一是相邻连通节点间交通流传播的动态效应。另一种是由于节点间城市功能相似，即使这些节点相距很远。

3.2.1. Spatial-Temporal Aware Graph Construction

文中提出空间中的点分布距离度量方法，时空感知距离(STAD)可以为节点之间的依赖关系提供更准确的估计，基于这种度量方法实现一种图结构

 3.2.2. Spatial-Temporal Attention Block 

主要关注点在：时空动态性的模拟过程

 时空感知距离(STAD)可以为节点之间的依赖关系提供更准确的估计，但这些依赖关系的动态特性需要进一步细化以适应实时数据的变化。因此，设计了一个新的时空注意力模块，通过顺序地将时间注意力与空间注意力相结合，进一步增强动态时空依赖的表示。

1）Temporal attention 

多头自注意力提供了一种并行机制，可以有效地关注时间序列数据中的长程相关性。利用这种机制来捕获节点之间的动态时态依赖关系。

2）Spatial attention 

TA模块对时序数据进行自适应编码，得到具有全局动态时序依赖的特征表示。本文设计了一种改进的自注意力机制来计算来自TA模块输出的空间依赖关系，其中计算了来自输入嵌入向量的两个分支(即Query (Q ')和Key (K '))的权重系数。

 

3.2.3. Spatial-Temporal Convolution Block 

1）Spatial graph convolution 

针对交通路网，许多研究关注路网的连通性和全局性，使用预定义的图结构进行图卷积，通过聚合相邻节点的信息来获取节点特征

 

 2）Temporal gated convolution 

   与TSSRGCN (Chen et al.， 2020)不同，TSSRGCN使用基于周期的扩张变形卷积来捕捉交通数据中的长期和短期动态，我们提出了一种新的多尺度门控Tanh Unit (M-GTU)卷积模块来捕捉交通流数据的时间动态信息。该模块的具体结构如图2 (b)所示，主要由三个具有不同接收野的门控Tanh Unit (GTU)模块(Dauphin et al.， 2017)组成。

实验部分