Incorporating Dynamicity of Transportation Network With Multi-Weight Traffic Graph Convolutional Network for Traffic Forecasting

III. PRELIMINARIES
- A. Transportation Network Graph
- B. Traffic Speed Forecasting
- C. Traffic Graph Convolution (TGC)
IV. 多权重流量图卷积（MW-TGC）网络
- A. Weight Matrix Generation
- - 1) Distance
  - 2) Speed Limit
  - 3) Angle
  - 4) Plain
- B. 多权重交通图卷积
- C. 基于LSTM的时空 Seq2Seq 模型
V. EXPERIMENT
VI. CONCLUSION AND FUTURE WORK

III. PRELIMINARIES

A. Transportation Network Graph

有向图G；V表示有限的路段集、E表示路段之间连接的有限边集，A是图G的一组流入流出邻接矩阵，流入流出矩阵AI+AO之和就是无向图的邻接矩阵

Fig. 1.，从交通网络生成图

B. Traffic Speed Forecasting

假设交通速度数据在交通网络G上生成为图形信号，Xt 为 t 时刻 N 个路段的速度分布。

式1定义了该交通流预测任务,要求预测出的结果和真实值尽可能减小误差

C. Traffic Graph Convolution (TGC)

要一定线性代数基础才能看明白，不过多解释，总之TGC对每个加权邻接矩阵只需要一个N×N的权参数矩阵，优于spec tral graph convolution (SGC 谱图卷积)。

IV. 多权重流量图卷积（MW-TGC）网络

A. Weight Matrix Generation

权重信息：

1) Distance

dij ，两个路段中点之间的直线距离
式2

2) Speed Limit

在我们的研究地点韩国首尔，80km/h、60km/h和30km/h的限速分别表示城市快速路、城市主干道和本地/住宅区道路。

Speed limit-ratio是在运动方向上连续两段之间的比率
Speed limit-category为限速较高的路段分配较大的权重
Speed limit-change是一个二进制权重，以标记速度限制变化的边缘

3) Angle

用角度来表示两个路段之间的几何布局

4) Plain

在普通邻接矩阵A^k=(akij)中，A^kij表示从路段 i 到 j 的可选路径数
当所有的权值和方向都被计数时，每个秩可以生成6个（权值个数）× 2 个（流向个数）的加权邻接矩阵

B. 多权重交通图卷积

Fig. 2.

当考虑 c 类加权邻接矩阵和可达 k 秩的邻接矩阵时，图信号在 t 时刻的MW-TGC运算的输出为式9，MW-TGC运行后，将整流线性单元(RELU)激活函数应用于输出GC{k}t

为了合并多个加权邻接矩阵，进行降维卷积(DRC)以将原始MW-TGC操作输出的大小从（图2(a))减小到计算可行的大小（图2(b))。

C. 基于LSTM的时空 Seq2Seq 模型

为了了解时间依赖的动态性，在每一个时间步长T上，空间依赖被MW-TGC模块建模，然后输出序列被馈送到使用LSTM实现的时空序列到序列(SEQ2SEQ)模型

V. EXPERIMENT

VI. CONCLUSION AND FUTURE WORK

在本文中，我们提出了一种新的交通预测模型，在交通图卷积框架内结合交通网络的各种结构特征来建模时空相关性。该模型能够将多种类型的权重或信息输入到单个图卷积网络中。
在今后的工作中，我们计划在网络科学的基础上进一步评估交通网络的结构动力学。节点中心性度量，如中间性和贴近中心性，可能比原始的结构信息更有助于增强模型的学习能力。未来的工作可能会扩展到交通领域的应用，如出租车需求预测和旅行时间估计。

交通流预测——day59 交通网络动态性与多权重交通图卷积（MW-TGC）网络的交通预测相关推荐

基于交通图卷积长短时记忆网络的网络级交通流预测
文章信息本周阅读的论文是题目为<Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework ...
交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测
交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测目录交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测基本介绍环境配置数据处理模型结构程序设计 ...
论文推荐 | 综述：自动驾驶背景下的交通流模型研究
导读题目:<Automated vehicle-involved traffic flow studies: A survey of assumptions, models, speculat ...
交通流仿真建模 | 由数据驱动的建模方法
本节主要介绍基于数据驱动的交通流建模方法,主要包括真实数据收集和建模方法两个方面. 真实数据收集交通传感器有几种形式[lbh10,Led08].举几个例子,一个固定的传感器是感应环探测器,它通常被放 ...
高铁站检票口交通流时-空模式分析：以北京南，上海虹桥，广州南站为例
高铁站检票口交通流时-空模式分析:以北京南,上海虹桥,广州南站为例 Hello everybody, welcome back to my channel !!! 对你没有看错,我这个研究空中交通的在 ...
PanoSim仿真模型--交通流模型
5.2.1 正常交通流模型 PanoSim 内置仿真正常驾驶场景的随机交通,称之为正常交通流模型(或称之为随机交通模型).随机交通流模型的参数设置,请参看 4.2.1.3 Traffic Tools ...
【元胞自动机】基于元胞自动机实现多车道不同间距交通流模型附Matlab源码
1 简介车辆的行驶受到本车道以及邻近车道前后邻近车辆的影响,在城市交通中机非混合对车辆行走的影响尤为复杂.通过研究路段上机非混合通行交通流的本质特性,综合考虑非机动车对机动车换道规则及加减速规则的 ...
话说纵向标线对交通流的控制和梳理
文章原名<如何利用标线引导驾驶人各行其道,提高通行效率?>首发于公安部道路交通安全研究中心交通言究社,编辑们为此文章做了大量认真和细致的工作,梁康之老师也参与了审核.为方便资料整理和查阅, ...
【论文阅读】Attention Based Spatial-Temporal GCN...Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（1）
[论文阅读]Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting[基于注 ...

交通流预测——day59 交通网络动态性与多权重交通图卷积（MW-TGC）网络的交通预测