ESTNet: Embedded Spatial-Temporal Network for Modeling Traffic Flow Dynamics 刘奕琳 2022-07-04 18:34 No Comment 756次浏览 2022年发表在IEEE TITS上，文章针对智能交通系统中准确的时空预测问题，提出了一种新颖的嵌入式时空网络（ESTNet）。该网络利用多角度图卷积网络从细粒度道路网络中提取多维静态特征，同时利用门控循环单元网络从实时车流中提取动态特征。此外提出了一个通过堆叠多个3DCon的残差网络来捕获非线性和复杂依赖关系。 <!--more--> **[· 论文摘要](#1) [· 核心算法](#2) [· 对比分析](#3) [· 原文信息](#4)** <p id = "1" ></p> ## **论文摘要** 准确的时空预测是许多现实世界应用的基本组成部分，例如交通调度和管理、环境政策制定和公共安全。由于非线性、复杂和动态的时空依赖性，这个问题仍然具有挑战性。为了应对这些挑战，我们提出了一种新颖的嵌入式时空网络（ESTNet），它提取有效的特征来建模动态相关性，然后利用三维卷积来同步建模时空依赖关系。具体来说，我们提出了多角度图卷积网络，用于从细粒度道路网络中提取多维静态特征。同时，使用门控循环单元网络从实时流量中提取动态特征。这些特征可用于识别传感器之间的动态和灵活的相关性，并可以利用三维卷积单元(3DCon)同时对时空依赖性进行建模。此外，我们提出了一个通过堆叠多个3DCon来捕获非线性和复杂依赖关系的残差网络。ESTNet的有效性和优越性在两个真实世界的数据集上得到验证，实验表明 ESTNet 以显着优势优于SOTA。 <p id = "2"></p> ## **核心算法** ESTNet的网络结构如下图：  ### 1. 静态和动态特征提取 节点之间的相关性会受到道路网络和实时交通信息的影响，我们分别将其概括为静态和动态因素。为了提取这两种特征，我们精心设计了两个模块，即基于GCN的提取多角度静态特征提取器和基于GRU的动态特征编码器。 ### 2. 三维图嵌入卷积网络          ### 3. 端到端嵌入时空网络   <p id = "3"></p> ## **对比分析** 进行了如下的三个实验： 在数据集METR-LA、PEMS-BAY 和 PEMS08上与baselines进行比较    我们提出的模型以显着的度量实现了最佳性能。表 2 的最后一行表示 ESTNet 在相应 指标中相对于最佳模型的改进，例如 METR-LA 上 15 分钟基线的最佳 MAE 为 2.53， ESTNet 为 2.32。因此，相对提升为(2.53 − 2.32)/2.53 = 8.30%。如表 3 所示，ESTNet 实现了非常好的性能，例如，在预测 METR-LA 上未来 15 分钟的流量时，RMSE 和 MAPE 指标分别提高了 13.83%和 15.15%。在 PEMS-BAY 上也可以找到类似的改进。ESTNet 在 METR-LA 和 PEMS-BAY 上的现有最佳结果分别实现了平均 8.15% 和 7.01% 的相对改进。 <p id = "4"></p> ## **原文信息** **论文引用：** Luo G, Zhang H, Yuan Q, et al. ESTNet: Embedded Spatial-Temporal Network for Modeling Traffic Flow Dynamics[J]. IEEE Transactions on Intelligent Transportation Systems, 2022 **论文DOI（点击至原文）：** [10.1109/TITS.2022.3167019](https://ieeexplore.ieee.org/document/9774997 "10.1109/TITS.2022.3167019")