长春网页网站制作,东莞工厂网站建设,常德房地产信息网,互联网招聘网站2021 WWW
1 intro
细粒度城市流量预测 两个挑战 细粒度数据中观察到的网格间的转移动态使得预测变得更加复杂 需要在全局范围内捕获网格单元之间的空间依赖性单独学习外部因素#xff08;例如天气、POI、路段信息等#xff09;对大量网格单元的影响非常具有挑战性——论…2021 WWW
1 intro
细粒度城市流量预测 两个挑战 细粒度数据中观察到的网格间的转移动态使得预测变得更加复杂 需要在全局范围内捕获网格单元之间的空间依赖性单独学习外部因素例如天气、POI、路段信息等对大量网格单元的影响非常具有挑战性——论文提出了时空关系网STRN来预测细粒度的城市流量 骨干网络用于学习每个网格单元的高级表示全局关系模块GloNet捕获全局空间依赖性元学习器将外部因素和土地功能例如POI密度作为输入以产生元知识并提高模型性能
2 几个定义
2.1 网格单元
图3(a)分成H×W个网格 2.2 城市流量
三维张量 一般K为2流入 流出
2.3 区域
图3(c) 基于道路网络的不规则区域分割 更自然更语义丰富的空间分割每个区域由许多网格单元组成 使用矩阵表示分配规则 NHWM为区域个数bij表示网格单元i属于区域j的可能性
2.4 外部特征
城市流量数据与外部因素如天气状况一天中的时间和事件具有很强的相关性某个时间步t的这些外部因素表示为向量
2.5 土地特征
POI的类别、其在城市网格单元中的密度 指示该单元的土地功能以及该单元中的交通模式 ——有助于预测网格单元的城市流动公路网的结构如快速路路段的数量也为交通建模提供了很好的补充
——将POI和土地特征结合在一起表示为
3 模型
3.1 模型整体 3.2 骨干网络
论文/机器学习笔记SENet Squeeze-and-Excitation Networks_特征通道之间的相互依赖关系_UQI-LIUWJ的博客-CSDN博客
SENet 在每一层的小局部感受野内融合空间和通道信息被证明可以有效地产生紧凑而有区别的网格单元特征 3.3 全局关系模块GloNet 将骨干网络的输出 reshape成 NHW生成网格和区域的分配矩阵 可以基于道路网络执行静态区域分割 无法捕获高度动态的交通状况和随时间变化的外部因素论文中通过函数δ基于Xℎ计算B 【这会不会有一个隐患就是我网格分配给了一个可能完全不搭边的很远的区域去了】受到Mincut理论的启发增加了一项Mincut 损失正则项来约束区域划分 基于 和 得到对应的邻接矩阵和区域表征 其中是通过网格的邻接关系直接得到的邻接矩阵——使用GCN进行信息传递 论文笔记SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS_切比雪夫图卷积论文_UQI-LIUWJ的博客-CSDN博客 获得了区域级别的全局感知特征H后投影回原始空间 最后进行张量的维度变换和经过最终的预测网络层FC得到预测结果
3.4 损失函数 4 实验
4.1 实验数据 4.2 实验结果 4.3 预测精度 VS 参数量
