2021 | GNN在交通/流量预测相关的应用

点击上方 关注我们

本文来自计算技术研究所黄俊杰，徐冰冰分享

1. 多元时空预测的图注意力网络（GAT）新模型

【CIKM2021】Multivariate and Propagation Graph Attention Network for Spatial-Temporal Prediction with Outdoor Cellular Traffic

地址：https://arxiv.org/abs/2108.08307

https://github.com/cylin-cmlab/cikm21-mpgat

导读：文章通过从一家电信公司每天超过 20 亿条记录中提取的室外蜂窝流量来收集大规模交通数据，因为用户移动的室外蜂窝流量与交通流量高度相关。文章研究了城市中的道路交叉口，旨在根据历史室外蜂窝交通预测所有交叉路口的未来蜂窝交通。此外，文章提出了一种用于多元时空预测的图注意力网络（GAT）新模型。实验表明，所提出的模型在新的数据集上明显优于SOTA的方法。

2. Deepmind团队与Google地图合作的工作

【CIKM2021】ETA Prediction with Graph Neural Networks in Google Maps

地址：https://deepmind.com/blog/article/traffic-prediction-with-advanced-graph-neural-networks

导读：本文是Deepmind团队与Google地图合作的工作，主要是将图神经网络应用到谷歌地图的业务中，从而实现 estimated times of arrival (ETAs)的准确估计。模型将本地道路视为一个网络，其中每个路线段对应一个节点，并且在同一条道路上连续或通过交叉路口连接的段之间存在边。通过消息传播模型对于交通网络进行建模。

3.基于张量的常微分方程 (ODE) 捕获时空动态

【KDD 2021】STGODE : Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting

地址：https://arxiv.org/abs/2106.12931

知乎解读：https://zhuanlan.zhihu.com/p/389447715

导读：交通流量预测是一个典型的时空预测例子。交通流量中复杂且长期的时空相关性是棘手的挑战。现有工作通常利用浅层图卷积网络 (GNN) 和时间提取模块分别对空间和时间依赖性进行建模。本文提出了时空图常微分方程网络（STGODE），通过基于张量的常微分方程 (ODE) 捕获时空动态，构建更深的网络并同步利用时空特征。文章在多个真实世界的流量数据集上评估我们的模型，并且在最先进的基线上实现了卓越的性能。

4. 一个动态卷积模块和多融合模块

【KDD2021】Dynamic and Multi-faceted Spatio-temporal DeepLearning for Traffic Speed Forecasting

论文地址: https:/dl.acm.org/doi/10.1145/3447548.3467275

论文源码: https://github.com/liangzhehan/DMSTGCN

导读: 动态图神经网络(DGNN)已成为最有前途的交通速度预测方法之一。然而，在将DGNN应用于交通速度预测时，现有方法通常建立在静态邻接矩阵（无论是预定义的还是自学的)上来学习不同路段之间的空间关系。文章提出一个动态卷积模块和多融合模块。