姜 山,丁治明,朱美玲,严 瑾,徐馨润

1(中国科学院大学,北京 100049)

2(中国科学院 软件研究所,北京 100190)

3(大规模流数据集成与分析技术北京市重点实验室,北京 100190)

时空图建模(spatiotemporal graph modeling,简称STGM)是分析系统中各组件的空间关系和时间趋势的一项重要技术,时空图建模技术属于图数据管理领域中有关图结构数据的上层应用.如图1 所示:在时空图中,每个节点都有动态输入特征.时空图建模的目标是:在给定图结构的情况下,对每个节点的动态特征进行建模.这里的属性特指图结构中节点的信号输入属性特征,如建模图结构下各节点的特征变化趋势,从而完成对图节点特征的预测分析.此外,时空图建模技术具有广泛的应用场景,比如对城市道路交通参数预测[1]、出租车需求量预测[2]、行为识别[3]等.近年来,在深度学习技术的成功推动下,研究人员借鉴卷积网络(convolution neural network,简称CNN)[4]、循环神经网络(recurrent neural network,简称RNN)[5]和深度自动编码器(deep autoencoder,简称DAE)[6]的思想,定义和设计了用于处理图结构数据的神经网络模型[7].随着图神经网络的发展,时空图建模越来越受到研究者的广泛关注.

Fig.1 Spatiotemporal graph modeling图1 时空图建模

时空图建模是通过图中节点间的依赖关系构建图节点的动态输入[8].特别地,在城市道路短时交通速度和流量预测中,将安置在城市道路上的各个探测传感器看作是节点,那么布置在城市路网的交通传感器就构成一个图形结构,图中节点的连接边是通过两个节点的欧式距离来判定.由于城市道路中……