Page 182 - 《软件学报》2024年第4期

1760 软件学报 2024 年第 35 卷第 4 期

−  1 − 1
2  
 
A =  D AD 2 , undirected graph (11)
1 
− 
DA , directed graph




其中, H l 表示第 l 个图卷积层的输入; s为激活函数; A = AI , A 为邻接矩阵, I 为单位矩阵; D 为 A 的度矩
+
阵; W 是可学习的权值矩阵. 如图 7 所示: 由于原始的图卷积模型只能用于学习静态图中的空间关联关系, 无
法捕捉实际路网中节点之间的动态空间相关性, 因此不能直接将原始的图卷积网络用于动态路网的学习中.
1 1 1
0.1 0.3 0.5
2 0.5 2 0.4 2 0.3
3 3 3
0.2 0.3 … 0.2
0.7 4 0.1 4 0.6 4
5 5 5
T T+1 T+n Time
图 7 节点的动态空间依赖性
为了捕捉路网中的节点之间的动态空间关联, 本文设计了空间双视角下的动态图卷积, 利用自注意力机
制动态计算节点间的空间相关性强度, 自适应地调整节点间的连接关系. 给定节点的表示以及时间局部卷积
多头注意力的输出 Z l , 空间注意力相关性权重矩阵的计算如下所示:
 T  ZZ
S att = softmax  l l   ∈ NN× (12)
 d model 
其中, S att (i,j)表示节点 i 和 j 之间的相关性强度, S att 取值越大, 表示节点间相关性强度越大. 通过空间注意力相
关性权重矩阵调节邻接矩阵 A, 得到动态图卷积模块的输出. 动态图卷积的计算公式如式(13), 图 8 所示动态
图卷积的构建步骤. 在所有路网节点上进行时间局部卷积多头自注意力操作之后, 得到序列的中间表示 l =
(Z l,t−m+1 ,Z l,t−m+2 ,…,Z l,t ), 并以此为输入, 进行动态图卷积计算:
DGCN(Z l )=s((AS att )Z l W) (13)
其中, 表示 Hadamard 乘积. 空间动态图卷积直接使用邻接矩阵 A, 只考虑单一的交通路网静态结构, 忽略了
S
D
节点之间相似的功能特性以及动态交通模式的影响, 因此引入了空间结构矩阵 A 和动态关联矩阵 A , 分别捕
获交通数据中静态空间相关性和动态时序相似性. 基于双视角的交通图矩阵, 进一步构建了空间结构图卷积
模块和动态关联图卷积模块:
)
X l+ S 1 = SDGCN (Z l ) s= ((A S  S att )Z W (14)
l
)
X l+ D 1 = DDGCN (Z l ) s= ((A D  S att )Z W (15)
l

图 8 动态图卷积
经过空间双视角下的动态图卷积, 进行空间结构图卷积和动态关联图卷积操作, 并输出空间结构图卷积
结果  l+ S 1 = (X l+ S 1,t m−+ 1 , X l+ S 1,t m−+ 2 ,..., X l+ S 1,t ) 和动态关联图卷积结果  l+ D 1 = (X l+ D 1,t m−+ 1 , X l+ D 1,t m−+ 2 ,..., X l+ D 1,t ) . MVSTGCN
能够捕捉路网节点之间的静态空间关联关系以及隐藏的时序动态关联关系, 令学习得到的节点表征同时包含