|混合时空图卷积网络：利用导航数据改进交通预测效果 | KDD 2020( 三 )
理想未来流量 。 作为对真实未来流量这一无法获取信息的近似 ， 理想未来流量νi,t0,f可以通过在线导航引擎获取 。 图 5 示意了高德导航系统的架构 。 导航过程中 ， 车辆每秒钟与云服务器同步自身坐标 ， 与此同时 ， 为保证用户获取到最新的交通状态信息 ， 云服务器对ETA进行几乎实时的持续更新 。
本文插图
图 5 高德导航系统架构示意
高德导航引擎中原始数据的形式为
本文插图
其中r是导航进程的索引号 ， ψr是导航r的发起时间 ， νi,t0,f代表规划路线中的第l个路段 ， δr,l是到达ρr,l的预估时间 ， Mr是路线中路段的总数量 ， NL是导航进程的总数量 。 ETA来自机器学习模型的预测（利用历史轨迹等数据训练得到） 。 算法 1 展示了从导航路线集合中推算理想未来流量的方法 。
本文插图
H-STGCN中 ， 与预测时间窗口相对应的理想未来流量和历史平均流量同时被输入：
本文插图
其中 i 是路段的索引号 。
通行时间 。 通行时间τi,t通过完成地图匹配的GPS点数据整合计算得到 。 H-STGCN中 ， 通行时间及其与预测时间窗口相对应的历史均值同时被用于模型的输入：
其中 i 是路段的索引号 。
本文插图
3.3. 域转换器
域转换器Λ由串联的两层网络组成 ， 即逐路段1×1卷积（segmentwise 1×1 convolution）和路段间共享1×1卷积（shared 1×1 convolution） ， 图 6 呈现了这一结构 。
本文插图
图 6 H-STGCN中的各种卷积运算
共享1×1卷积 。 路段及时间片间参数共享的1×1卷积层Γ(c)位于域转换器的顶部 ， 该卷积运算阐释如图6a ， 旨在捕捉全局的三角形曲线映射关系 。 记这一层的输入和输出为X(c)i,t,:∈RC(cin)与Y(c)i,t,:∈RC(cout) ， 则有：
本文插图
其中F(c)∈RC(cin)×C(cout)为权重 ， b(c)∈RC(cout)为偏置项 ， σ为ELU（Exponential Linear Unit）激活函数 。 逐路段1×1卷积。 为保证模型能够充分提取精细到路段级别的特征 ， 路段参数个性化的1×1卷积层Γ(s位于域转换器 的底部（共享1×1卷积前??层） ， 该卷积运算阐释如图 6b 。 记这?层的输?和输出为X(s)i,t,:∈RC(sin)与Y(s)i,t,:∈RC(sout)， 则有：
本文插图
其中 ， F(c)∈RC(cin)×C(cout)为权重 ， b(c)∈RC(cout)为偏置项 ，σ是ELU激活函数 。
3.4. 基于复合邻接矩阵的图卷积
复合邻接矩阵 。 以往研究[6,7]中的邻接矩阵假设节点间的接近性简单地依距离衰减：
本文插图
其中dij为路段si与sj的最短路距离 ， σ控制衰减速率 ， ?为控制矩阵稀疏性的截断阈值 。 我们将W(d)称为迪杰斯特拉矩阵（Dijkstra matrix） 。 在很多场景下 ， 单纯的空间接近程度并不能反映真实的交通邻近性 。 更具体而言 ， 交通拥堵对交通分流的影响取决于邻近路段的若干种属性 ， 包括道路等级、路况等 。 可见 ， 拥堵的传播在空间上并不均匀 。 由此 ， 我们提出了复合邻接矩阵W(c)：
推荐阅读
- 工厂|智汇华云 | 安超混合云平台助力制造业智能化转型
- 一点资讯|航海日 | 高科技托起跨越时空的未来航海
- 人工智能|世界人工智能大会今开幕 上海“跨时空”演奏AI交响曲
- 中年|新型石墨烯-钒柔性混合电池/超级电容器能量密度直接翻倍
- 高通|对话高通可穿戴设备负责人：解密骁龙4100四大混合架构设计
- 人民邮电报|中国联通发布时空服务能力，助力政企客户数字化转型
- 镁客网|DataMesh李劼：重新定义“数字孪生”，通过混合现实和人工智能增强一线员工
- 36氪|从事高性能数模混合芯片设计，“硅谷数模”致力提供移动式高清晰度体验
- IT时报|北斗三号收官，北斗四号已酝酿，预计2035年初步建成泛在国家时空系
- 砍柴网|IBM Services与乐天卡合作，采用混合云策略助力改造核心财务会计系统