摘要

为了同时捕捉时空相关性，将图卷积网络(GCN)和门控递归单元(GRU)相结合，提出了一种新的基于神经网络的流量预测方法–时态图卷积网络(T-GCN)模型。具体地，GCN用于学习复杂的拓扑结构以捕获空间相关性，而门控递归单元用于学习交通数据的动态变化以捕获时间相关性。

Ⅱ. 方法

A. 问题定义

定义一：

G = (V, E) 邻接矩阵A（1表示两个路有连接，反之没有），把路当作结点，N是结点的数量

定义二：

$X^{N\times P}$特征矩阵，P是结点特征的数量，也就是历史时间序列的长度

$X_t\in R^{N\times i}$ 用来表示每条道路在时间 i 时的速度

结点属性可以是速度，流量和密度

B. 回顾总结

我们首先使用历史n个时间序列数据作为输入，并使用图形卷积网络来捕获城市道路网的拓扑结构，从而获得空间特征。

其次，将得到的具有空间特征的时间序列输入到门控递归单元模型中，通过单元间的信息传输获得动态变化，以获取时间特征。

最后，我们通过完全连接层得到结果。

C. 方法

空间相关性：

GCN：

两层GCN：

时间相关性：

GRU:

时间图卷积网络：

GC表示图卷积过程，equation 3

损失函数：

The second term Lreg is the L2 regularization term that helps to avoid an overfitting problem

λ is a hyperparameter