點擊上方 關注我們

本文來自計算技術(shù)研究所黃俊杰，徐冰冰分享

1. 多元時空預測的圖注意力網(wǎng)絡（GAT）新模型

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

地址：https:///abs/2108.08307

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

導讀：文章通過從一家電信公司每天超過 20 億條記錄中提取的室外蜂窩流量來收集大規(guī)模交通數(shù)據(jù)，因為用戶移動的室外蜂窩流量與交通流量高度相關。文章研究了城市中的道路交叉口，旨在根據(jù)歷史室外蜂窩交通預測所有交叉路口的未來蜂窩交通。此外，文章提出了一種用于多元時空預測的圖注意力網(wǎng)絡（GAT）新模型。實驗表明，所提出的模型在新的數(shù)據(jù)集上明顯優(yōu)于SOTA的方法。

2. Deepmind團隊與Google地圖合作的工作

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

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

導讀：本文是Deepmind團隊與Google地圖合作的工作，主要是將圖神經(jīng)網(wǎng)絡應用到谷歌地圖的業(yè)務中，從而實現(xiàn) estimated times of arrival (ETAs)的準確估計。模型將本地道路視為一個網(wǎng)絡，其中每個路線段對應一個節(jié)點，并且在同一條道路上連續(xù)或通過交叉路口連接的段之間存在邊。通過消息傳播模型對于交通網(wǎng)絡進行建模。

3.基于張量的常微分方程 (ODE) 捕獲時空動態(tài)

【KDD 2021】STGODE : Spatial-Temporal Graph ODE Networks for Tra?ic Flow Forecasting

地址：https:///abs/2106.12931

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

導讀：交通流量預測是一個典型的時空預測例子。交通流量中復雜且長期的時空相關性是棘手的挑戰(zhàn)。現(xiàn)有工作通常利用淺層圖卷積網(wǎng)絡 (GNN) 和時間提取模塊分別對空間和時間依賴性進行建模。本文提出了時空圖常微分方程網(wǎng)絡（STGODE），通過基于張量的常微分方程 (ODE) 捕獲時空動態(tài)，構(gòu)建更深的網(wǎng)絡并同步利用時空特征。文章在多個真實世界的流量數(shù)據(jù)集上評估我們的模型，并且在最先進的基線上實現(xiàn)了卓越的性能。

4. 一個動態(tài)卷積模塊和多融合模塊

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

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

論文源碼: https://github.com/liangzhehan/DMSTGCN

導讀: 動態(tài)圖神經(jīng)網(wǎng)絡(DGNN)已成為最有前途的交通速度預測方法之一。然而，在將DGNN應用于交通速度預測時，現(xiàn)有方法通常建立在靜態(tài)鄰接矩陣（無論是預定義的還是自學的)上來學習不同路段之間的空間關系。文章提出一個動態(tài)卷積模塊和多融合模塊。