Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
机器学习讨论班2019年暑期
Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting
Published as a conference paper at ICLR 2018 王腾构
Outline
Motivation
问题定义
Spatiotemporal dependencies Spatial dependency
Temporal dependency
DCRNN模型
Experiments
7/29/2019 东南大学计算机学院万维网数据科学实验室 3
Motivation
7/29/2019 东南大学计算机学院万维网数据科学实验室 4
交通的空间结构是非欧氏空间结构
具有方向性
双向扩散卷积
问题定义
7/29/2019 东南大学计算机学院万维网数据科学实验室 5
给定道路网络和过往交通速度预测未来的交通速度
是带权有向图
是顶点集合,个数为N
是边集合
是带权有向图的邻接矩阵
是t时刻的图信号
是目标方法
Spatiotemporal Dependencies
7/29/2019 东南大学计算机学院万维网数据科学实验室 6
Spatial Dependency
将交通流动视为一个扩散过程(diffusion process)
考虑方向影响,提出双向扩散过程
用图上的随机游走(random walk)来描述扩散过程
Temporal Dependency
Gated Rucurrent Units(GRU)
Sequence to Sequence
Scheduled Sampling(计划抽样)
Spatial Dependency
7/29/2019 东南大学计算机学院万维网数据科学实验室 7
是状态转移矩阵
单向扩散卷积:
随机游走:
双向扩散卷积:
Spatial Dependency
7/29/2019 东南大学计算机学院万维网数据科学实验室 8
双向扩散卷积:
Relation With Spectral Graph Convolution
ChebNet:
令
其中 ,
Spatial Dependency
7/29/2019 东南大学计算机学院万维网数据科学实验室 9
单向扩散卷积:
Efficient Calculation:
是稀疏矩阵其中[1]
Diffusion Convolutional Layer
7/29/2019 东南大学计算机学院万维网数据科学实验室 10
扩散卷积层:Q个卷积过滤器(filter)输入: 输出:
其中 为双向扩散卷积, 为训练参数
扩散卷积层:
Temporal Dependency
7/29/2019 东南大学计算机学院万维网数据科学实验室 11
Diffusion Convolutional Gated Rucurrent Unit(DCGRU)
GRU原来的形式[2]:
DCRNN
7/29/2019 东南大学计算机学院万维网数据科学实验室 12
1. Sequence to Sequence[3]
2. Scheduled Sampling(计划抽样)[4]
Experiment
7/29/2019 东南大学计算机学院万维网数据科学实验室 13
METR-LA207个速度传感器2012.03 - 2012.06四个月的数据
PEMS-BAY325个速度传感器2017.01 - 2017.05六个月的数据
Experiment
7/29/2019 东南大学计算机学院万维网数据科学实验室 14
Experiment
7/29/2019 东南大学计算机学院万维网数据科学实验室 15
DCRNN-NoConv 用单位矩阵代替卷积
DCRNN-UniConv 只有正向扩散卷积
DCRNN 双向扩散卷积
GCRNN 使用了ChebNet的卷积方式
Experiment
7/29/2019 东南大学计算机学院万维网数据科学实验室 16
DCNN 未使用RNN
DCRNN-SEQ 使用Seq2Seq,未使用Scheduled Sampling
作者提出的DCRNN
Experiment
7/29/2019 东南大学计算机学院万维网数据科学实验室 17
Conclusion
7/29/2019 东南大学计算机学院万维网数据科学实验室 18
DCRNN
Spatiotemporal Dependencies
Spatial Dependence
Temporal Dependence
双向扩散卷积
GRUSequence to Sequence
Scheduled Sampling
Future Work:
将该模型应用于其他时空预测任务
动态图的时空预测
Reference
[1] Defferrard M, Bresson X, Vandergheynst P. Convolutional neural networks on graphs with fast localized spectral filtering[C]//Advances in neural information processing systems. 2016: 3844-3852.
[2] https://zhuanlan.zhihu.com/p/32481747
[3] Sutskever I, Vinyals O, Le Q V. Sequence to sequence learning with neural networks[C]//Advances in neural information processing systems. 2014: 3104-3112.
[4] Samy Bengio, Oriol Vinyals, Navdeep Jaitly, and Noam Shazeer. Scheduled sampling for sequence prediction with recurrent neural networks. In NIPS, pp. 1171–1179, 2015.
7/29/2019 东南大学计算机学院万维网数据科学实验室 19
7/29/2019 东南大学计算机学院万维网数据科学实验室 20
谢 谢