【AAAI2021】面向交通需求预测的耦合层图卷积

图卷积网络（GCN）因为具备出色的捕捉站点或区域之间非欧式空间依赖性的能力，已广泛应用于交通需求预测。然而在大多数现有研究中，图卷积是在基于先验知识生成的邻接矩阵上实现的，这样的邻接矩阵既不能准确反映站点的实际空间关系，也不能自适应地捕捉需求的多层级空间依赖性。为解决上述问题，这篇论文提出了一种新颖的图卷积网络进行交通需求预测。首先，文章中提出了一种新的图卷积架构，该图卷积架构在不同的层具有不同的邻接矩阵，并且所有的邻接矩阵在训练过程中都是可以自学习的。其次，文中提出了一种分层耦合机制，该机制将上层邻接矩阵与下层邻接矩阵关联起来。它还减少了模型中参数的规模。最后，构建了一个端到端的网络，通过将隐藏的空间状态与门控循环单元集成在一起，给出最终的预测结果，该单元可以同时捕获多级空间相关性和时间动态。论文提出的模型在两个真实世界的数据集NYC Citi Bike和NYC Taxi上进行了实验，结果证明了该模型的优越性能。

https://www.zhuanzhi.ai/paper/3996bc72f87617093a55530269f6fdd8