面向交通预测的具有多样关键异构信息感知的时空图神经网络

《Pattern Recognition》：Spatio-temporal graph neural network for traffic forecasting with diverse key heterogeneous information awareness

　　

• 提出了一种架构以缓解关键异质信息的稀释。
• 通过对比增强的节点嵌入改进异质节点识别。
• 使用双向交互融合信息并抑制无关噪声。
• 使用行列式点过程确保异质信息的多样性。

引言
为了缓解日益严重的交通拥堵，准确的交通预测已成为智能交通系统（ITS）的主要研究焦点 [1]。随着多源交通数据的可用，数据驱动方法，特别是时空图卷积模型，取得了显著进展 [1], [2]。交通网络表现出显著的时空异质性。与传统异质图不同，传统异质图中的异质性主要源于相对稳定的节点或关系类型 [3]，而动态系统可能因时间、环境和上下文的变化而发生分布偏移，从而表现出动态异质性 [4], [5], [6]。在交通系统中，这种状态异质性可能由规律性或周期性交通模式驱动，例如早晚高峰和潮汐交通 [7], [8]。它也可能由非周期性事件触发，例如事故和临时拥堵 [9], [10]。因此，在特定的时空上下文中，某些节点的交通状态可能显著偏离其局部邻域的主导模式，这些节点因此被视为上下文异质节点。

如图 1a 所示，目标节点的局部邻域不仅包含大量传输稳定信息的同质节点（C–G），还包含少量受交通事故和潮汐效应等因素影响的上下文异质节点（B 和 H）。这些节点携带有关交通状况变化的关键信息，偏离主导的局部交通模式，并体现交通不确定性 [9]。然而，现有的 STGNN 通常继承了一种同质性归纳偏置，假设连接的节点表现出相似的交通状态模式 [11]。如图 1b 所示，在归一化的邻域聚合下，少数异质节点的贡献受限于其有限的总聚合权重。因为同质节点构成了邻域的绝大多数，它们反复聚合的特征往往主导了产生的表示，稀疏异质节点仅留下有限的贡献。这种不平衡可以在堆叠的消息传递层中进一步放大，这些层逐渐将节点表示平滑向主导邻域模式，并削弱独特的局部变化 [11]。此外，传统图卷积的低通平滑特性倾向于增强主导的低频同质模式，同时抑制高频局部偏差 [12]。因此，稀疏但有价值的异质信息可能被稀释，导致关键信号丢失、预测偏差以及适应动态交通条件的能力降低。

近年来，几项研究探索了异质性建模。STHGFormer [13] 通过预定义类别对异质性进行建模，但这种静态类别难以适应动态时空异质性；H2STGCN [14] 使用正负时空图区分同质和异质关系，但仅依赖负相关性不足以表征多样化、事件驱动的异质模式；HimNet [15] 采用元学习机制来感知动态时空异质性，但它忽略了同质节点对异质信息的稀释。因此，鉴于局部不平衡的邻域，现有方法仍然缺乏显式机制来识别和独立建模稀疏、动态且特定样本的异质节点。

为了解决这些问题，本研究旨在开发一种多样性感知时空图卷积网络（DASTGCN），以准确捕获并增强稀疏异质交通信号，从而提高在动态和异常交通条件下的预测鲁棒性。该模型设计具备三个核心能力：（1）识别偏离主导邻域模式的少数异质节点，无需标签；（2）捕获多样化的异质信号，同时减少信息冗余；（3）增强关键异质信息，同时抑制无关噪声。为了实现这些目标，DASTGCN 采用行列式点过程（DPP）对候选节点进行多样性感知采样并构建异质子图。对比学习进一步在表示空间中分离同质和异质样本，从而提高节点识别准确性和采样质量。然后，该模型并行处理异质子图和原始交通图，分别捕获异质和同质的时空依赖性。最后，DASTGCN 通过双向信息交互将异质信息有效集成到主表示空间中，并在相关性先验的指导下加强关键异质关系的建模。此外，我们引入了绝对残差缩放方差（SVAR）来强调大预测误差，并更敏感地评估模型在动态和不确定条件下的性能。本研究的主要贡献总结如下：
(1) 本文提出了一种多样性感知时空图卷积网络，使用多样性感知采样构建异质子图。通过保留稀疏异质信号，它缓解了对主导交通模式的预测偏差。
(2) 本文提出了一种对比增强的节点嵌入方法，通过自监督学习将异质节点表示与同质聚类分离，从而提高异质节点识别和子图构建。
(3) 本文引入了一种双向信息交互模块，将异质信息集成到原始图表示中，并在动态相关性先验的指导下加强关键异质依赖性，同时抑制无关噪声。
(4) 在六个真实世界交通数据集上的大量实验表明，与基线相比，DASTGCN 实现了优越的预测准确性和具有竞争力的计算效率。

章节摘要
交通预测
交通预测是智能交通系统（ITS）的核心任务 [16]。早期的统计方法（如 VAR [17]、ARIMA [18] 和卡尔曼滤波 [19]）受限于平稳性假设，难以捕获交通系统中的动态波动和急剧变化。随后，引入了 KNN [20]、SVM [21] 和贝叶斯推理 [22] 等机器学习方法来建模非线性关系，但由于它们的浅层架构，它们

问题定义
路网络被建模为有向图 G=(V,E,A)，其中 V 包含 N 个传感器，E 表示边集，A∈RN×N 是邻接矩阵。时间 t 的交通数据表示为 Xt∈RN×d，其中 d 是特征维度。交通预测旨在学习一个映射 f(?)，从历史 T′ 步观测和图 G 到未来 T 步交通状态 Y?t+1:t+T∈RT×N×1，公式化为：(Xt?T′+1,Xt?T′+2,…,Xt;G)?f(?)(Y?t+1,Y?t+2,…,Y?t+T)

动机
现有时空聚合

方法论
如图 2 所示，DASTGCN 由三个主要组件组成。首先，异质节点识别模块结合行列式点过程与对比学习，从原始图中构建异质的子图。其次，并行双分支时空块对原始图和异质的子图进行建模，分别捕获主导的规律模式和稀疏的突发异质模式。最后，双向信息交互

实验设置
本节通过解决以下研究问题来评估 DASTGCN：
RQ1: DASTGCN 与基线模型在交通预测中相比如何？
RQ2: 其组件和参数设置如何影响性能？
RQ3: DASTGCN 在异常交通场景下表现如何？
RQ4: DASTGCN 是否实现了关键异质捕获和对比学习增强？
RQ5: DASTGCN 的计算效率是多少？

结论
为了防止关键异质信息被主导的同质模式淹没，本文提出了一种多样性感知时空图卷积网络（DASTGCN）。它通过异质节点识别模块构建异质的子图，通过对比学习提高节点判别力，并通过双向信息交互集成预测性异质信号。在六个真实世界交通数据集上的实验表明

CRediT 作者贡献声明
朱国栋：写作 - 审阅与编辑，写作 - 原创草稿，验证，软件，方法论，调查，概念化。
杜博：写作 - 审阅与编辑，监督，概念化。
牛云云：写作 - 审阅与编辑，资金支持获取。

竞争利益声明
作者声明，他们没有已知的竞争财务利益或个人关系可能影响本报告中的工作。

朱国栋 | 杜博 | 牛云云