Stochastic Origin-Destination Matrix Forecasting Using Dual-Stage Graph Convolutional, Recurrent Neural Networks阅读笔记

论文笔记 2020 ICDE GNN Traffic

Journal(Venue) and Author

期刊会议及作者

2020 ICDE
Jilin Hu, Bin Yang, Chenjuan Guo

Summary

用自己语言对文章的概述，便于以后查阅。

本文利用三维OD矩阵来建模OD预测的问题(本文中第三维是速度分布)，提出了一种使用矩阵分解以及RNN的框架来进行学习预测，并提出了加入GCN的改进版本。难点在于如何将GCN加入矩阵分解以及RNN的过程中，本文用的是切比雪夫图卷积；分解过程是用多个卷积过滤器处理拆解变形后的OD矩阵，然后经过pooling，得到子矩阵$R$和$C$；预测过程是将卷积过滤器加入每个cell；

Research Objective

作者的研究目标？

1.OD矩阵在运输和物流中被广泛使用，用于记录一天内不同时间间隔内OD区域对之间的旅行成本
2.需要处理从稀疏的、历史上的OD矩阵预测完整的、近期的OD矩阵。

Problem Statement

需要解决的问题是什么？

给定一个OD矩阵序列，预测后续的OD序列：
本文中OD矩阵为 区域x-区域y-速度分布的三维矩阵；

Method(s)

作者解决问题的方法/算法是什么？是否基于前人的方法？

1. 将每个历史OD矩阵分解为两个稠密矩阵R和C，R与C的序列过RNN预测新的两个序列，重构得到新的OD序列，主要思路如下图：
2. 使用矩阵分解和图卷积神经网络在捕获空间相关性时对抗数据稀疏，以及通过扩展了图卷积的递归神经网络捕获时空动态
3. 作者首先使用了普通矩阵分解，就是简单的过两个全连接得到两个稠密矩阵R和C:
   
4. 然后提出了改进，利用了空间信息，叫做空间矩阵分解，用了GCN：
   具体来说，先用邻接矩阵A得到距离矩阵W，利用W和GCN得到 $T_{k}\in\mathbb{R}^{N'\times S}$ 作为第k个桶的特征，然后经过 图卷积filter和pooling得到稠密$R$
   5.第二个改进是在RNN中加入了图卷积过滤器

Evaluation

作者如何评估自己的方法，实验的setup是什么样的，有没有问题或者可以借鉴的地方

提出的方法
1. base framework (BF) 简单版本
2. advanced framework (AF) 使用GCN的版本
对比方法：
3. recurrent neural networks using GRU gates (RNN)[30]
4. Multi-task Representation Learning (MR)2
5. Naive Histograms (NH)
6. Gaussian Process Regression (GP)[39]
7. Multi-variate vector autoregression (VAR)[40]

Metric: KL,JS,EMD 都是用来评估分布差异性的指标

数据集 NYC，CD

Conclusion

作者给了哪些结论，哪些是strong conclusions, 哪些又是weak的conclusions?

Question

阅读过程遇到的问题

1. 能不能把KL散度那篇文章和这篇结合
2. 还有别的文章是这样用3维矩阵来表示OD的吗
3. 三维矩阵分解和二维的有什么区别或困难吗，常见的矩阵分解有什么做法
4. 起点终点用不同的邻接矩阵？说是会在不同城市，有点怪(V-A)

Reference(optional)

列出相关性高的文献，以便之后可以继续track下去