论文笔记：FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph
2023 PKDD
1 intro
- 一些交通预测下游任务对预测结果的粒度非常敏感，例如交通信号控制、拥堵发现和路径规划
- 然而，现有的深度学习方法主要关注粗粒度的交通数据，而在细粒度设置下利用深度学习方法解决交通预测任务的研究仍未被探索
- 在细粒度设置下，交通流量由交通信号决定
- 先前的研究忽略了细粒度场景下节点之间显著的高度动态相关性，而是使用静态图/数据驱动图来聚合节点的知识
- 但由于交通信号引起的高度动态相关性，空间邻居之间的交通流量并不相似
- 细粒度交通数据表现为非平滑性，这在本文定义的空间-时间平均距离（STMAD）指标中得到了评估
- 先前的方法在粗粒度平滑数据集上表现良好。然而，由于平滑性是图卷积网络（GCN）设计的本质特性，实验表明，现有方法在非平滑的细粒度数据上仍然进行平滑预测，这导致了较大的误差。
——>论文提出了一种名为细粒度深度交通推断模型（FDTI）的方法
是首个完成城市级细粒度交通预测的研究
2 问题定义
2.1 交通流动图
- 将交通系统建模为一个交通流动图 G=(V,E)
- V 是包含 N个交通流动的集合
- 每个交通流动 vi 是具有相同运动方向 di∈{左转,直行,右转} 的车道集合。
- E 是交通流动之间的连接集合
- 每条有向边eij 表示从交通流动 vi到交通流动 vj的连接
- V 是包含 N个交通流动的集合
2.2 交通状态
2.3 道路网络增强特征
2.4 问题定义
2.4.1 一步推断
2.4.2 Q步推断
3 模型
3.1 构建细粒度交通时空图（FTSTG）
（虚线不算FTSTG的边）
3.2 主要方法
4 实验
4.1 数据集
- 在南昌、曼哈顿、杭州三个城市级大规模数据集和一个小规模数据集杭州-Small上评估
- 目前的城市交通数据稀疏、粗粒度，且缺乏交通信号信息
- ——>从KDD CUP2021广泛使用的交通模拟器中收集了1小时的细粒度数据
- 道路网络数据是从OpenStreetMap提取的
- GitHub - zhyliu00/FDTI: Code for ECMLPKDD'23 "FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph"
4.2 实验设计
4.3 结果
