【AAAI2021】Graph Diffusion Network提升交通流量预测精度

城市流量预测作为智能交通中的一个重要问题，致力于精确预测城市中不同区域的流量信息，从而更好地实现区域间的流量管控、拥塞控制以及保障城市公共安全。本文将介绍一种基于时空图扩散网络的城市交通流量预测模型。本文工作是由京东数科硅谷研发实验室，京东城市和华南理工大学合作的一篇论文《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》，目前该论文已经被人工智能领域的顶级会议AAAI 2021（CCF A类）接收。

一、研究背景 对城市中不同区域间流量的预测，作为智能城市应用平台中非常重要的任务，服务于智能交通系统。比如基于精确的汽车流量预测结果，交通服务平台可以进行实时的交通调度以缓解由于流量过大带来的拥堵。与此同时，及时对未来时刻人流量的预测，可以在一定程度上降低由于人流过大引起踩踏事件的概率。尽管区域间流量的预测在实现城市智能化中起着重要的作用，对复杂的时空流量数据进行准确的建模是一个非常困难的任务。其中需要从时间与空间两个维度出发，对流量数据的动态变化模式进行精确的学习，从而实现对城市区域间流量的精准预测。

为了实现更加精确的交通流量预测，我们的研究工作设计了一种基于层级图神经网络的深度学习模型, 分别从时间和空间上对不同区域的流量信息进行建模。具体而言, 我们开发的预测模型基于多粒度的Attention机制, 对不同时间粒度上的流量变化的模式进行自动学习。与此同时, 该研究工作对交通流量在空间维度上的变化模式也进行了建模。不同于现有的方法仅仅只考虑局部的空间关系, 我们从整个城市的全局空间范围学习不同区域间的流量变化的关系。通过层级图神经网络的联合建模学习到全局的空间流量的变化模式以及基于地理位置的空间上下文信息。为了验证模型的有效性, 我们在多个公开数据集上进行了实验。实验结果验证了模型相较于现有流量预测算法的优越性，以实现整个城市不同区域更加精确的流量预测结果。