TrajNet:A-Trajectory-Based-Deep-Learning-Model-for-Traffic-Prediction

TrajNet: A Trajectory-Based Deep Learning Model for Traffic Prediction , KDD’21

background

交通数据很重要

现有的GCN只能抓取road/sensor之间的向量格式的固定特征

但是真实道路情况会更加复杂

1. 如果一个路口禁止左转，无论是从地理位置还是连接关系，两条道路都会存在连接关系
2. 网络中的两个节点不能真实的反映道路点之间的真实依赖关系，人会考虑各种因素，如道路风景，限速，红绿灯数量

针对现有模型具体分析缺点

介绍float car data的概念，引入一些很交通的东西

在本文中，我们提出了一种新的深度学习模型，直接将车辆轨迹视为一等公民。我们的模型称为TrajNet，通过沿真实轨迹传播信息来捕获路段的多跳空间相关性。首先，我们对近期、每日和每周的周期性数据进行扩展因果卷积[20]，以捕捉长期时间依赖性。然后提出了一种传播模块，通过沿真实轨迹传播时间特征来捕捉交通流的空间相关性。我们还采用基于轨迹的细化框架，解决了地面真实速度数据的粗粒度（即道路级而非路段级）与细粒度路段轨迹相关性之间的不一致性。考虑到空间依赖是动态的，因此我们使用空间注意机制来自适应地捕捉不同路段之间的相关性。最后，使用平滑的时空特征生成预测。

除了预测精度外，本文还提出了一种新的方法来采样通过每个分段的一批轨迹，以加快训练速度。为了进一步提高训练效率，我们采用trie结构组织训练批中的多条轨迹，以重用共享计算。

•据我们所知，这是第一次将基于传输的传播路径用于流量预测。我们提取交通流中的真实轨迹，并利用它来建模空间相关性。
•我们开发了一种算法，以减少模型中传播的冗余并加快训练过程。
•我们改进了细粒度路段的预测，而现有方法直接预测粗粒度道路的交通量。
•在各种真实交通数据集上进行的大量实验验证了我们的模型相对于最新技术的优越性。我们的模型可以捕捉复杂的空间相关性，而这种相关性是基于GCN的方法无法利用的。

method

review

本文的assumption基于对一条完整路段的预测，同时将其会划分为小的road segments，对于整条路段进行预测。然而针对完整的较长路段，整个路段并不能较好的刻画出真实的道路情况，因此该背景和实验设置并不合理。