目录
预备知识
在本节中,我们介绍定义和问题陈述。为简洁起见,我们在表1中提供了一个注释表。
假设有个位置,它们报告时间戳上的类型的流量信息。
注:我猜测这里所陈述的应为类似于“重度拥堵”,“轻度拥堵”等类型信息。
定义1:城市交通
城市交通记为一个向量,其中表示在时间t所有位置的交通流量信息。
定义2:Geo-graph属性
Geo-graoh属性代表位置周围的环境以及其相互关系,分别对应节点属性和边属性。形式上,使图G=(V,E)代表一个有向图,V和E分别是表示该位置特征和表示位置间联系的向量列表。此外,我们使用Ni来表示节点i的邻居。
问题1
给定前序交通信息输入流和geo-graph信息G,预测下一时间步中所有地理位置的输出流信息
方法
在本节中,我们描述了用于流量预测的st -MetaNet的架构,如图3(a)所示。遵循序列到序列(Seq2Seq)架构,ST-MetaNet由两个独立的单元组成:编码码器(蓝色部分)和解码器(绿色部分)。前者用于对输入序列进行编码,如,城市历史交通信息数据,产出隐状态H_{RNN},H_{Meta-RNN},作为解码器的初始状态,并据此输出未来若干时间步的预测交通流量。
更具体一些来进行说明,编码器和解码器有着相同的网络结构,包含四个组成部分:
RNN
我们使用RNN来嵌入历史城市交通序列,能够学习长时间的时序依赖关系。
元学习器
如图3(b)所示,我们使用两个全连接网络(FCNs),命名为节点元知识学习器(Node-Meta-Knowledge Learner)(NMK-Learner)和边元知识学习器(Edge-Meta-Knowledge Learner)(EMK-Learner),分别从节点属性(如POIs和GPS位置)和边属性(如位置间距离和道路连通性)中学习节点和边的元知识。然后,将学习到的元知识进一步用于学习另两种网络的权重,即图注意力网络 (GAT)和循环神经网络。以一个节点为例,节点的属性输入给NMK-Learner,随后其输出一个向量,代表该节点的元知识。
元图注意力网络
如图3(c)所示,元图注意力网络(Meta Graph Attention Network)(Meta-GAT)由一个元学习器和一个图神经网络组成。它的输入是所有节点和边的元知识边,输出是图注意力网络的权重。Meta-GAT通过沿边单独广播位置的隐状态来捕获不同的空间相关性。
元循环神经网络
如图3(d)所示,元循环神经网络(Meta Recurrent Neural Network)(Meta-RNN)由一个元学习器和一个循环神经网络组成。这里的元学习器是一个典型的FCN,其输入是所有节点的元知识,输出是RNN对每个位置的权重。Meta-RNN可以捕获与位置的地理信息相关的时间相关性。
标签:RNN,笔记,ST,学习,神经网络,Meta,属性,节点,MetaNet From: https://blog.csdn.net/2301_79335566/article/details/141194781