Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction中文解读

中文解读"/>

Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction中文解读

Abstract

• 对于新规划的交通站点，潜在的人群流量预测是城市规划人员和行政人员的一项基本任务。直观上，可以通过探索附近的站点来暗示新来站点的潜在人群流量。但是，附近站点（例如公交车站，自行车站）的交通方式可能与目标站点（例如地铁站）的交通方式不同，从而导致严重的数据短缺。为此，我们提出了一种名为MOHER的数据驱动方法，用于以某种模式预测新规划站点的潜在人群流量。具体来说，我们首先通过检查地理上的邻近度以及城市功能相似性来确定目标站点的邻近区域。然后，为了聚合这些异类关系，我们设计了一种跨模式关系GCN，这是一种新颖的特定于关系的转换模型，该模型不仅可以学习相关性，还可以学习不同交通方式之间的差异。之后，我们设计了一个用于inductive representations的聚合器。最后，将LTSM模块用于序列流量预测。在现实世界的数据集上进行的大量实验表明，与最新算法相比，MOHER框架的优越性。

Introduction

• 在本文中，我们研究了新的规划交通站点的潜在人群流量预测问题。具体来说，我们提出了一种数据驱动的方法来跨多种交通模式来建模异质关系，以进行潜在的人群流量预测，称为MOHER。我们从以下三个方面详细介绍MOHER框架。
• 首先，在不同交通方式下附近站点之间的关系是高度依赖的、动态的和异质的。由于图卷积网络（GCN）已显示出其表征复杂动态空间时空依赖关系的能力以及对看不见的节点的泛化潜力，因此，我们设计了一种跨模式消息传递网络来对跨模式异质关系进行建模。然后，我们利用邻居聚合器来学习每个新站点的inductive representations，并进一步预测潜在的人群流。
• 其次，当通过附近站点的未来人群流量来预测新的规划站点时，人群流量转移现象不可忽略。 例如，新的地铁站将吸收以前乘坐公共汽车的大部分乘客。
• 此外，新的地铁站必将吸引更多的城市功能，这将弥补公交车和自行车的人流。 沿着这条线，我们构造了以目标站点/区域为中心的本地化图，以同时测量地理接近度和功能相似性（每个类别使用周围的兴趣点（POI）来表征）。 这样，分流和潜在的人群流可以被自动捕获。
• 此外，新的地铁站必将吸引更多的城市功能，这将弥补公交车和自行车的人流。沿着这条线，我们构造了以目标站点/区域为中心的本地化图，以同时测量地理接近度和功能相似性（每个类别使用周围的兴趣点（POI）来表征）。这样，分流和潜在的人群流可以被自动捕获。第三，除了对邻近站点/区域的转移影响外，规划中的新站点还将对其他交通模式产生转移影响，如图1（b）所示，其他交通模式共存相似点和不同点。凭直觉，连续的站点应该在时间和数量上共享相似的旅行模式。另一方面，由于不同交通方式的内在特性（如价格和出行距离），不同方式下的人群流之间的差异可能会很大。因此，我们引入了一种新颖的特定关系转换模型，该模型可以提取异质关系同时存在异同。

• 综上所述，我们在本文中的贡献如下：
• 我们提出了归纳性潜在人群流量预测框架MOHER，该框架在仅使用现有站点的扭力数据进行训练后，自然可以推广到未来的新规划站点。
• 为了捕获新站点的分流和潜在的人流，我们分别以不同的交通方式对邻近站点之间的地理邻近性和功能相似性进行编码。
• 我们深入研究跨模式人群流之间的相关性和差异，并提出了跨模式关系GCN（CMR-GCN）来明确建模每种类型的关系。
• 我们对现实世界的数据集进行了广泛的实验，证明了MOHER在潜在人群流量预测中的有效性。

Preliminaries

• Table 1 标记表

• Definition1 跨模态流量关系图（CFRG）
• 异质无向加权图G（t）v0 =（V，ε，R），其中V = {Vp，p∈P}是一组异质节点（ 区域/站点），其中ε是多重关系的边属性集，R = {rGEO}∪{rPOI}是异质边类型集。
• Definition2 新规划场点的流量预测
• 给定其他场点历史（前t段时间）流量数据（包括交通方式p0，p1）预测新规划场景v0，在t+1时刻，交通方式p0的流量。

Methodology

• An overview of the framework
  
  包括4部分：
• （1）大量的多模态流量记录X
• （2）跨模态局部图构造：根据地理邻近度和POI相似性，通过编码模式内和模式间关系来探索来自附近区域/站点的潜在人群流量，并以目标节点作为输入来构造局部图。
• （3）Inductive target representation learning（归纳目标表示学习）：开发跨模式关系GCN以提取相似性和差异性
  在模式之间同时进行，然后学习Inductive target representation。
• （4）序列流量预测：构建一个LSTM模块，对目标站点/区域进行序列流量预测。

Cross-mode Localized Graphs Construction 跨模态局部图构造

• 地理近似度：包括模态内的地理近似度，及模态间的地理近似度
  
• POI相似度：对POI向量F进行归一化，并用来计算余弦相似度。阈值Beta用来控制稀疏性，当相似度大于阈值时，再用N(·)进行归一化，以获得更统一的值。
  
• 模态间的关系编码：
  包括 地理近似 与 POI相似
  我们认为模态间的不同关系（地理近似关系与POI相似关系）是异质的。
  
• 假设要在|P|种交通模式（Eg. Bus, subway）中，构造p(p=2)种关系（地理近似、POI近似），那么就会有[|P| * （|P| + 1）* p] / 2种异质边。
• 对于跨模态关系，若两个区域重叠区域越大，则地理近似或POI近似越大。
  基于局部图构造的广度优先搜索
• 在给定时间序列{t-t’+1, … , t}，选取目标区域v0的M个邻接节点，来构造局部图。
  
  Inductive目标的表示学习
• 基于局部图构造对目标节点的广度优先算法
  
• 跨模态依赖提取
  （1）建立模型关系以提取流量嵌入，然后将局部图信息映射到新规划站点的潜在流量模式中。
  （2）因此，文章提出了跨模态关系图卷积网络（CMR-GCN），来作为消息传递模块，来同时建模异质关系的相关性与差异性。
• 提取区域的异质关系：
  （1）相关性关系：
  l+1层，结点vi，关系r，
  j为结点i在关系r中的邻接节点，
  x^l j是节点j在第l层的特征
  
  （2）差异性关系：
  
  （3）特征的更新：
  
  （4）结点表示gi：将L层的feature拼接起来
  

图表示学习总结

• 使用最近邻池化聚合器，在现有的关系类型中，挑选与目标节点v0最相关的结点。这样能减少特征的冗余性。

• 目标节点v0的表示：
  
  其中Rv0是关系集合R的子集合，这个子集合包括与v0相关联的关系。gr是目标节点v0在关系r上的最近邻节点。
  这样，h就是目标节点v0的流量表示。

• 用LSTM网络提取时间依赖，来预测t+1时刻的目标区域的流量。