目录

  • 引言
  • 技术框架
  • 经典的时空预测网络
    • ST-ResNet
    • T-GCN
  • 参考资料

1. 引言

何为时空预测?下面是一些例子:

  • 现有某城市过去一段时间的路网运行状况数据,预测未来时刻的路网运行状况。
  • 现有某城市过去一段时间各空气监测点的数据,预测未来时刻这些监测点的空气质量值。

通过上述例子可以看出,时空预测就是用过去一段时间的空间数据,去预测未来一段时间的空间数据。这些数据也称时空数据,下图是一些常见的三种时空数据结构:


下面以交通领域为例,介绍三种时空数据。

  • 时空栅格数据:将地图等分称个网格,每个网格代表对应城市区域的交通流特征参数。
  • 时空图数据:将地图按道路的连接结构转化为拓扑图,每个结点代表对应道路的交通流特征参数。
  • 时空轨迹数据:按一定时间频率采集车辆的位置得到的数据。

结合上述时空数据的描述,时空预测问题可形式化定义为:

其中,代表时刻的空间数据,代表预测模型。

时空数据有三个特性,分别为时间相关性、空间相关性、时空相关性,我认为下图对这种三种性质的解释最清晰。


  • 棕色箭头描述了空间相关性,如道路的交通流与其相邻道路的交通流有相关。
  • 蓝色箭头描述了时间相关性,如道路的交通流与其过去时刻的交通流有相关。
  • 绿色箭头描述了时空相关性,如道路与其相邻道路过去时刻的交通流有相关。

2. 技术框架

上一节我们介绍了时空预测的基本概念,接下来介绍基于深度学习的时空预测网络的技术思路,基本框架如下图所示:


主要思路一般可分为三步:

  • 提取时间特征。
  • 提取空间特征。
  • 融合时间和空间特征,送入到最后的全连接层。

其中,用于提取时空数据中的时间特征的技术有:

  • 循环神经网络
    • RNN、LSTM、GRU
  • 卷积神经网络
    • TCN

其中,用于提取时空数据中的空间特征的技术有:

  • 图神经网络( 针对时空图数据)
    • ChebNet、GraphSAGE、GCN、GAT
  • 卷积神经网络 (针对时空栅格数据)
    • CNN、VGG、Inception、ResNet

3. 经典的时空预测网络

3.1 ST-ResNet

一个经典的时空预测网络,面向时空栅格数据。它利用堆叠残差网络块的方式提取交通栅格数据的特征,网络整体结构如下图:


网络结构的整体表达式如下:

  • 分别为残差网络对三种时间跨度的空间特征提取,为这三种特征融合后的结果。
  • 为全连接网络对外部因素(天气、节假日等)的特征提取。
  • 为最终的预测结果,它融合了时空特征和外部因素的特征。
  • 需要注意的是,该网络没有用RNN、TCN等专门的时间特征提取网络,只是简单的将不同时刻的空间特征进行拼接,最后统一送入到最后的全连接层。
3.2 T-GCN

另一个经典的时空预测网络,面向时空图数据。该网络用图卷积神经网络(GCN)提取空间特征,用门控循环神经网络(GRU)提取时间特征,最后将两者进行融合,网络整体结构如下:


该网络的结构整体上与GRU相似,主要是在输入端增加了一个GCN组件,用于提取各个时刻的空间特征。网络核心表达式如下:

其中,为图卷积操作,用于提取时刻拓扑图的空间特征,其详细表达式为:

事实上,GCN的代码实现非常简单,因此本文不再进一步深入,有兴趣可自行了解。

4. 参考资料

[1] Song C, Lin Y, Guo S, et al. Spatial-temporal synchronous graph convolutional networks: A new framework for spatial-temporal network data forecasting[C]//Proceedings of the AAAI conference on artificial intelligence. 2020, 34(01): 914-921.

[2] Zhang J, Zheng Y, Qi D. Deep spatio-temporal residual networks for citywide crowd flows prediction[C]//Proceedings of the AAAI conference on artificial intelligence. 2017, 31(1).

[3] Zhao L, Song Y, Zhang C, et al. T-gcn: A temporal graph convolutional network for traffic prediction[J]. IEEE transactions on intelligent transportation systems, 2019, 21(9): 3848-3858.