【论文笔记】Deep Multi

笔记】Deep Multi"/>

【论文笔记】Deep Multi

DMVST论文心得

• 前言
• 本文贡献
• • 模型架构
  • 空间视图：Local CNN
  • 时间视图：LSTM
  • 语义视图：结构嵌入
  • 模型综合
  • 损失函数
• 实验
• • 对比试验方法
  • 数据集
  • 评价标准
  • 实验结果
• 参考文献

前言

在智慧城市的建设中，出租车需求预测是一个及其重要的问题。准确的预测需求能够帮助城市预分配交通资源，提前避免交通拥堵，从而缓解交通压力，同时降低出租车空载率，提高出租车司机收入。传统的出租车需求预测往往基于时序预测技术，无法对复杂的非线性时空关系进行建模。深度学习技术的突破为交通预测问题带来了曙光，但是现存的深度学习网络架构，往往只单一考虑了时间关系或者空间关系，没有把两者结合起来进行建模。

本文提出了 DMVST-Net，同时对时间关系和空间更新进行建模。更具体地，该模型同时从三个角度出发（分别是 temporal view, spatial view,semantic view），综合考虑了出租车需求在路网上分布的时空关系，并利用语义信息，对相似区域的时空模式进行了建模。

值得一提的是，本文运用图网络 和 Local CNN 的方法，对由数万路段组成的大型道路交通网，进行了特征提取，这一举措，将图网络的运用拓宽到一个新的层次，使得大型交通网的建模有了新的解决思路。

本文贡献

简单来说，本文综合了时间、空间、语义三个方面预测需求量。

空间：local CNN，强调了邻近空间相似，较远的位置参与训练之间会有负作用
时间：使用传统LSTM
语义：使用“区域图”的边来表达区域对之间需求模式的相似性，用图嵌入的方法作为环境特征参与训练

模型架构

这是DMVST-Net的架构图。 (a).空间组件使用一个局部CNN来捕获附近区域之间的空间依赖性。局部CNN包括几个卷积层。最后使用全连接层来得到低维表示。 (b).时间视图采用了一个LSTM模型，该模型从空间视图中获取表示形式，并在相应的时间将它们与上下文特征连接起来。 ©.语义视图首先构造一个加权的区域图（其权重表示功能相似度）。节点被编码到向量中。最后使用一个全连接的层来进行联合训练。最后，利用一个全连接的神经网络进行预测。

空间视图：Local CNN

Local CNN: 如要对 （a）提取特征，最常见的一种方式是把（a）这整张图像送入到CNN中，进行卷积运算；而另一种方式就是把（a）分块，把划分后的每一小块分别送入到CNN中，也就是每次只对（b）进行卷积运算，最后把每个部分的结果进行综合，这就是 Local CNN。提出该方法的动机是地理学第一定律——近邻比远邻重要。
作者在这里把待预测城市分成了20 x 20个区域，每个区域是0.7km x 0.7km，用7 x 7的二维图像来表示每一个区域，图像中每个像素点的灰度值代表出租车的需求量。每张图像可以用 Y t i ∈ R S × S × 1 Y_t^i\in\mathbb{R}^{S\times S\times 1} Yti​∈RS×S×1表示，其中 S = 7 S=7 S=7。经过K层卷积层后得到 Y t i , k ∈ R S × S × 1 Y_t^{i,k}\in\mathbb{R}^{S\times S\times 1} Yti,k​∈RS×S×1，经过flatten操作后得到 s t i ∈ R S 2 λ s_t^i\in\mathbb{R}^{S^2 \lambda} sti​∈RS2λ，最后进行降维得到 s t i ^ ∈ R d \widehat{s_t^i} \in \mathbb{R}^d sti​ ​∈Rd，具体公示为：
Y t i , k = f ( Y t i , k − 1 ∗ W t k + b t k ) Y_t^{i,k} = f(Y_t^{i,k-1}*W_t^k+b_t^k)