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

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

挑战：

首先，位置之间的空间依赖性仅依赖于历史交通的相似性，模型学习了静态空间依赖性。2）另一个局限性是，许多现有的研究忽略了长期周期性依赖的转移。交通数据具有很强的日周期性和周周期性，基于这种周期性的依赖性可以用于预测。然而，一个挑战是交通数据并不是严格的周期性数据。例如，工作日的高峰时间通常发生在下午晚些时候，但在不同的日子可能在下午4:30到6:00之间变化。尽管之前的研究考虑了周期性，但没有考虑周期性中的时序相关性和时间移动

方案

为了解决上述挑战，我们提出了一种新的深度学习架构——用于流量预测的时空动态网络(STDN)。STDN基于时空神经网络，分别通过本地CNN和LSTM处理时空信息。提出了一种流量门控的局部CNN，通过利用交通流信息建模位置之间的动态相似性来处理空间依赖性。提出了一种学习长期周期依赖的周期转移注意机制。该机制通过注意机制同时捕捉交通序列中的长期周期信息和时间变化。此外，我们的方法使用LSTM以分层的方式处理顺序依赖关系

问题

框架：

Local Spatial-Temporal Network

我们也使用本地CNN和LSTM来处理空间和短期时间依赖性。

1）Local spatial dependency

2）Short-term Temporal Dependency

我们使用长短时记忆(LSTM)网络来捕获时间序列依赖性，这是为了解决传统递归的爆炸和消失梯度问题

Spatial Dynamic Similarity: Flow Gating Mechanism

一个更直接的方式来表示区域之间的相互作用是交通流。如果两个区域之间存在更多的流动，那么它们之间的关系就会更强，因此，我们设计了一个流量门控机制(Flow Gating Mechanism, FGM)，它显式地捕获层次结构中的动态空间依赖性。

在每一层，我们利用流动信息通过一个流动门限制空间信息来显式地捕捉区域之间的动态相似性。

Temporal Dynamic Similarity: Periodically Shifted Attention Mechanism

周期性信息的时间变换在交通序列中普遍存在，此外，对比这两个数字，周期不是严格的每日或每周。因此，我们设计了一种周期性转移注意力的方法机制(PSAM)来解决限制。这些时间间隔被用来处理潜在的时间转移。此外，我们使用LSTM来保护每天的顺序信息

我们采用一种注意机制来捕捉时间的变化，并得到每一天的加权表示。

Joint Training

表1分别显示了我们所提出的方法在NYC-Taxi和NYC-Bike数据集中与其他所有竞争方法的性能。我们对每个基线进行10次测试，并报告每个基线的平均值和标准差。此外，我们还进行学生t检验。我们提议的STDN通过实现最低的基准显著优于所有竞争基准RMSE和MAPE。

结论

在本文中，我们提出了一种新的时空动态网络(STDN)用于交通预测。该方法通过流动门控机制跟踪区域之间的动态空间相似性，通过注意周期性转移机制跟踪区域之间的时间周期相似性。在两个大规模数据集上的评价表明，该模型的性能优于现有方法。在未来，我们计划研究该模型在其他时空预测问题上的应用。另外，我们计划对模型进行解释(即解释交通预测的特征重要性)