Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction论文阅读笔记
- 引言
- 存在挑战
- 整体流程
- 存在问题
- 方法论
- 预处理阶段
- 跨模式局部图构建
- 图卷积Cross-Mode Relational Graph Convolutional Network (CMR-GCN)
- v 0 v_0 v0流量预测
- 总结
引言
本文主要目的是新规划地铁站点的未来流量预测。
存在挑战
- 首先，在不同的运输模式下，附近地点之间的关系是高度依赖的、动态的和异构的。作为图卷积网络(GCN)已经展示了它在描述复杂的动态时空依赖性和对看不见的节点的泛化潜力方面的能力，我们设计了一个跨模式消息传递网络来建模跨模式异构关系。然后，我们利用一个邻居聚合器来学习每个新站点的归纳表示，并进一步预测潜在的人群流，而不是每次再训练。
- 其次，在预测新规划场地的未来人群流量时，分流现象不容忽视。例如，新的地铁站将吸收大量以前坐公交车的乘客。此外，新的地铁站肯定会吸引更多的城市功能，以弥补公交车和自行车的人群流量。沿着这条线，我们同时构建以目标站点/区域为中心的局部图，以测量地理邻近性和函数相似性(使用每个类别的周围兴趣点(POIs)作为特征)。这样，就可以自动捕获流量分流和潜在的人群流。
- 第三，除了对邻近站点/区域产生分流效应外，规划新场地还将对其他交通模式产生分流效应，其中相似之处和不同之处同时存在，如图所示。1(b)。直观上说，相邻的地点应该在时间和数量方面共享相似的旅行模式。另一方面，由于其内在特征(例如。在不同的交通模式下，人群流量之间的差异可能会很大。因此，我们引入了一种新的特定关系变换模型，可以同时提取异构关系的相似和差。
整体流程
- 首先，预测流量的地铁站是目前不存在的，需要新站点的周围站点的相关性做聚合；
- 其次，文章将所有数据，包括出租车，自行车，行人，地铁站数据都混在一起使用，并定义各个数据站点为graph的顶点，定义地理位置相似性和POI相似性定义graph中的边，称之为交通方式异构图；
- 然后，随机选取一个新规划站点称为 v 0 v_0 v0，以 v 0 v_0 v0为中心建立异构无向图 G v 0 ( t ) = ( V , E , R ) G_{v_0}^{(t)}=(V,E,R) Gv0(t)=(V,E,R)，其中顶点 V V V表示不同的交通方式的顶点，例如自行车站、地铁站、出租车区域等， E E E表示边，表示两个顶点之间的多种关联性， R R R表示关系，文中使用的是地理相似性和POI相似性两种。
- 最后，使用R-GCN类似的方法进行图卷积，并将 v 0 v_0 v0邻居特征聚合成 v 0 v_0 v0特征，喂进LSTM完成预测
存在问题
- 本质上是一种多图，只是将多图融合在一起换了一种说法叫异构图
- 另外出租车是订单数据，通常使用栅格处理，但是文中利用出租车region，这里如何将订单数据或者栅格数据进行聚类的文中没有介绍
方法论
- 预处理：收集大量的多模流记录并构造输入X。
- 跨模局部化图构造：根据地理接近性和点相似性，通过编码模内和模式间关系，探索来自附近区域/站点的潜在人群流，并构造以目标节点为输入的局部化图。
- 归纳目标表示学习：开发跨模关系GCN，同时提取模之间的相似差，然后学习归纳目标节点表示。
- 顺序流预测：构建一个LSTM模块，进行目标站点/区域的顺序流预测。
预处理阶段
文章压根没提如何预处理。。。
跨模式局部图构建
- 定义图中边的含义
- 地理距离相似度
- POI相似度
- POI向量 F F F如何得到文中没提
- 地理距离相似度
- 根据边的含义，以
v
0
v_0
v0为中心建立graph，这个graph是一个完整的巨大的异构体，
- 其中顶点包含所有所以数据，包括地铁站、公交站、出租车区域、共享单车站点等
- 边包含距离相似性和POI相似性两种
- 局部图建立
- 使用广度优先搜索，绕着 v 0 v_0 v0找出最近两圈的邻居，作为 v 0 v_0 v0的局部图，之后的图卷积也是在这个局部图上进行的。
图卷积Cross-Mode Relational Graph Convolutional Network (CMR-GCN)
和传统的R-GCN没什么区别，文章中多加入了一个差异性特征和相关性特征
- 相关性特征
- 差异性特征
- 融合
- 为了减少参数，使用矩阵分解的方式，这里使用的类似于矩阵谱分解
-
v
0
v_0
v0规划站点图表示，使用
v
0
v_0
v0所有邻居做聚合
v 0 v_0 v0流量预测
使用基础LSTM获得目标节点流量
总结
比较大杂烩，文章motivation十分新颖，新地铁站选址问题，但是方法论陈旧，并且很多关键问题，例如数据如何组织，多种交通方式如何混合同步使用，训练集如何制作未建立的新站点，如何inference没有详细说明，文章没有源码，可操作性行一般。
更多推荐
Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow
发布评论