【论文标题】Bayesian Graph Convolutional Network for Traffic Prediction 【作者团队】Jun Fu, Wei Zhou, Zhibo Chen 【发表时间】2021/04/01 【论文链接】https://arxiv.org/pdf/2104.00488.pdf

【推荐理由】本文针对当前图卷积预测交通忽略路网拓扑、路况之间空间关系以及缺乏图结果不确定性研究等问题，提出了一种贝叶斯图卷积网络（BGCN）框架，通过真实数据集验证该算法具有较高的性能。

近来，基于自适应图卷积网络的交通预测方法，通过各种基于注意力的机制从交通数据中学习潜图结构，已经取得了令人印象深刻的性能。然而，由于（1）忽略了所观察到的路网拓扑的先验；（2）忽略了对路况之间空间关系的更好描述； （3）缺乏对图结构不确定性的研究。在本文中，我们提出了一种贝叶斯图卷积网络（BGCN）框架来缓解这些问题。在此框架下，将图结构视为来自参数生成模型的随机实现，并使用观察到的路网和交通数据拓扑来推断其后验。具体来说，参数生成模型由两部分组成：（1）一个恒定的邻接矩阵，该矩阵使用贝叶斯方法从观察到的道路之间的物理联系中发现潜在的空间关系；（2）一个可学习的邻接矩阵，它以端到端的方式从交通数据中学习全局共享的空间相关性，并且可以对负空间相关性进行建模。然后，通过对参数图结构执行蒙特卡洛算法来近似图结构的后部。本文通过五个真实的数据集，验证了方法的有效性。实验结果表明，与最新方法相比，BGCN获得了更高的性能。

本文的主要贡献在于以下三个方面： 1）这项工作是在交通预测中应用贝叶斯图卷积网络的首次尝试。 2）这项工作提出了一种有效的方法，可以基于交通数据和所观察到的道路网络拓扑来推断图结构的后部，这几乎不会增加计算和参数的额外成本。 3）这项工作验证了所提出的BGCN在五个实际交通数据集上的有效性，实验结果表明BGCN远远超过了最新方法。

图1 体系架构图

内容中包含的图片若涉及版权问题，请及时与我们联系删除