江苏龙网

  1. 首页 > 资讯 > 科技 > >

|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络( 二 )


图 3 描述了沈阳某道路路段交通状况在 2 周内的变化趋势 ， 从中可观察到周一到周五工作日有明显近似的高峰时段（早上 8 点左右以及晚上 6 点左右） ， 而周六日的高峰时段则从早 8 点持续到晚上 6 点左右 ， 即交通路况呈一定程度的周期性与规律性 。 因此 ， 道路下一时刻的交通状态除了与其近期路况相关 ， 还与其近几日的相同时段路况相关 ， 同时也与近几周相同星期的相同时段路况相关 。
|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络
本文插图

图表 3：沈阳某道路在 2 周内的交通速度变化情况
由此 ， 滴滴在这篇论文中主要针对以下问题提出解决方案：
如何挖掘空间信息中不同关系链接所蕴含的语义关系？
如何克服大规模道路网络的稀疏性？
如何联合道路网络信息和车流信息对 ETA 任务进行预测？
如何处理不同时序（近期的、每日的、每周的）路况信息中的模式关系？
解决方案：HetETA
|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络
本文插图

图表 4：HetETA 框架示意图
为了解决上述问题 ， 该研究提出了 HetETA 框架 ， 联合卷积神经网络（Convolution Neural Network ， CNN）和图神经网络（Graph Neural Network, GNN）处理时序信息和空间信息 。 如图 4 所示 ， HetETA 由三个相同结构的组件组成 ， 每个组件分别用于处理不同时序路况（近期的、每日的、每周的）中的异质时空信息 ， 其中 ，，
为当前查询时刻 ， 为输入三个组件的时间片数量 ， 为一天的时间片总数量 。 三个组件均通过双拼三明治结构进行时空卷积得到对应的低维向量表示 ， 然后将这三个低维向量表示拼接起来作为长向量 ， 经过一个全连接层得到预估的路段速度：
【|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络】
|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络
本文插图

双拼三明治结构（Double-stuffed sandwich layer）由 3 个卷积神经网络和 2 个 Het-ChebNet 组成 ， 其中 2 个 Het-ChebNet 夹在两个卷积神经网络中间形成一层空间卷积层 ， 通过对时间（CNN）和空间的（Het-ChebNet）的交替卷积使模型能够充分地挖掘时空之间的关联性 。 最后一层的卷积神经网络用于将时间维度压缩至一维 ， 以便于后续全连接层的操作 。 为了使 CNN 达到类似 RNN 的时序处理效果 ， 本文采用了带有门控的因果卷积神经网络（如图 5） ， 在输入时 ， 执行卷积操作：
|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络
本文插图

图表 5：带有门控的因果卷积神经网络层
进而得到当前层的隐含状态向量 H 。 空间卷积层所包含的两个 Het-ChebNet 分别用于对道路网络和车流网络所构建的异质图进行空间信息的卷积与提取 ， 分别由两个 Het-ChebNet 得到的隐含状态通过拼接操作输入下一层卷积神经网络（如图 6） 。
|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络
本文插图

图表 6：双拼图卷积网络
车流网络所构建的异质图一定程度上缓解了道路网络的稀疏问题 ， 为了克服基于 GCN（Graph Convolutional Network）的图卷积模型无法在稀疏的道路网络上收集充足的邻居信息的问题 ， 该研究采用了基于谱图理论的 ChebNet 网络 ， 通过切比雪夫多项式构成局域滤波器：
|更精确地预估到达时间，滴滴新研究提出异质时空图卷积网络
本文插图

然而 ， 传统的 ChebNet 网络无法处理异质图中所包含的多关系信息 ， 因此该研究基于 ChebNet 提出了一个能够捕捉多关系链接信息的 Het-ChebNet：


推荐阅读


上一篇：|今年起家电产业品牌格局还将大变：一些大牌或将坠落

下一篇：|AI 驱动下的地图变革大潮，百度地图定义下一代地图的模样