Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting

准确的交通流量预测是交通管理中一个至关重要的研究课题。然而，由于交通条件的快速变化、交通流的高度非线性以及道路网络的复杂时空相关性，这是一个具有挑战性的问题。大多数现有研究要么试图使用相同的语义图来捕捉道路之间的空间依赖关系，要么假设所有道路上的传感器连接概率相等，不考虑它们之间的距离。然而，我们观察到，道路之间的空间依赖关系确实随时间而变化，两条远离的道路在预测交通流量时不太可能互相有帮助，这两个因素都限制了现有研究的性能。在本文中，我们提出了一种名为“时间图学习循环神经网络（TGLRN）”的方法来解决这些问题。更具体地说，为了有效地模拟时间序列的本质，我们利用循环神经网络（RNN）在每个时间步动态构建一个图，从而捕捉道路之间随时间变化的空间依赖关系（即微观视角）。同时，我们为模型提供自适应结构信息，确保接近和连续的传感器被认为对预测交通流量更重要（即宏观视角）。此外，为了赋予TGLRN鲁棒性，我们在构建每个时间步的图时引入了边采样策略，最终导致了模型性能的进一步提高。在四个常用的真实世界基准数据集上的实验结果表明了TGLRN的有效性。

本论文旨在解决交通流量预测中的挑战性问题，即快速变化的交通状况、交通流的高度非线性以及道路网络的复杂时空相关性。

论文提出了一种名为TGLRN的方法，利用递归神经网络（RNNs）动态构建每个时间步的图，从而捕捉道路之间随时间演变的空间依赖关系，同时提供自适应结构信息，确保预测交通流量时考虑到相邻的传感器的重要性。

论文通过四个真实世界的基准数据集的实验结果表明了TGLRN的有效性。此外，论文还引入了边缘采样策略来构建每个时间步的图，从而提高了模型的鲁棒性。

当前在交通流量预测领域，已有一些相关研究，例如《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》和《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》。