龍望晨 王索 羅定福 劉紅

摘要：深度神經(jīng)網(wǎng)絡(luò)能夠有效地捕捉城市區(qū)域間的時(shí)間和空間相關(guān)性，同時(shí)對(duì)于特征工程依賴(lài)較少，逐漸成為交通預(yù)測(cè)中的應(yīng)用熱點(diǎn)。首先介紹交通預(yù)測(cè)的主要內(nèi)容和挑戰(zhàn)，從捕捉時(shí)空相關(guān)性的角度歸納近年來(lái)比較流行的基于深度神經(jīng)網(wǎng)絡(luò)的交通預(yù)測(cè)方法，分析各類(lèi)方法的優(yōu)缺點(diǎn)，最后對(duì)深度神經(jīng)網(wǎng)絡(luò)在交通預(yù)測(cè)中的未來(lái)發(fā)展前景進(jìn)行展望。

關(guān)鍵詞：機(jī)器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò);交通預(yù)測(cè)

中圖分類(lèi)號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）16-0183-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Application of Deep Neural Network in Urban Traffic Prediction

LONG Wang-chen ， WANG Suo ，? LUO Ding-fu ，? LIU Hong

（School of Computer and Information Engineering， Guangdong Songshan Polytechnic College， Shaoguan 512126， China）

Abstract： Deep neural network can effectively capture the temporal and spatial correlation between urban regions， and at the same time， it is less dependent on feature engineering， which gradually becomes the application hotspot in traffic prediction. Firstly， it introduces the main contents and challenges of traffic prediction， summarizes the popular traffic prediction methods based on deep neural network in recent years from the perspective of capturing temporal and spatial correlation， analyzes the advantages and disadvantages of various methods， and finally forecasts the future development prospect of deep neural network in traffic prediction.

Key words： machine learning; deep neural network; traffic prediction

1 引言

隨著國(guó)民經(jīng)濟(jì)的高速發(fā)展和城市化進(jìn)程的不斷深入，城市機(jī)動(dòng)車(chē)數(shù)量急劇增加。交通堵塞及車(chē)輛事故經(jīng)常發(fā)生，城市機(jī)動(dòng)車(chē)保有量的迅猛增長(zhǎng)與有限的城市空間和道路資源之間的矛盾日益加劇，已成為影響和制約我國(guó)城市交通系統(tǒng)良性發(fā)展的關(guān)鍵因素。城市交通預(yù)測(cè)是解決這一矛盾的有效手段，城市交通預(yù)測(cè)通過(guò)研究歷史交通時(shí)空序列數(shù)據(jù)，嘗試構(gòu)建城市交通的動(dòng)態(tài)演化規(guī)律，以實(shí)現(xiàn)預(yù)測(cè)未來(lái)交通狀況。交通預(yù)測(cè)主要可以分為以下幾類(lèi)：

1）流量預(yù)測(cè)：預(yù)測(cè)一個(gè)或多個(gè)節(jié)點(diǎn)或路段在某個(gè)時(shí)刻的通過(guò)車(chē)輛的數(shù)量;

2）速度預(yù)測(cè)：預(yù)測(cè)一個(gè)或多個(gè)節(jié)點(diǎn)或路段所有車(chē)輛的平均通過(guò)車(chē)速;

3）需求預(yù)測(cè)：預(yù)測(cè)一個(gè)或多個(gè)區(qū)域在某個(gè)時(shí)刻的用車(chē)需求;

4）出行時(shí)間預(yù)測(cè)：預(yù)測(cè)從某個(gè)地點(diǎn)前往另一地點(diǎn)所需的出行時(shí)間。

交通預(yù)測(cè)會(huì)面臨以下挑戰(zhàn)：

1.1復(fù)雜的空間相關(guān)性

交通流的變化受區(qū)域間相互影響，產(chǎn)生影響的條件主要有以下幾點(diǎn)：

1）物理距離鄰近。由地理學(xué)第一定律可知：空間距離越近的區(qū)域，其關(guān)聯(lián)程度越強(qiáng)[1]。所以，某個(gè)區(qū)域的交通狀態(tài)是受其鄰接區(qū)域直接影響。如圖1中，區(qū)域A與其相鄰的區(qū)域C之間存在較強(qiáng)的影響。

2）具有高速道路連接。如圖1中，區(qū)域B與區(qū)域C之間有著高速道路直接相連，車(chē)流能夠快速地在區(qū)域B和區(qū)域C相互傳導(dǎo)，最終使得這兩個(gè)區(qū)域之間的交通狀況非常相似。

3）具有相似的功能性。某些距離上較遠(yuǎn)，但具有相似功能性的區(qū)域間也存在著比較強(qiáng)的關(guān)聯(lián)性。例如圖1中，區(qū)域B與區(qū)域C都有學(xué)校，學(xué)生出入校園的時(shí)候區(qū)域B和區(qū)域C的交通狀況很相似。

1.2動(dòng)態(tài)的時(shí)間相關(guān)性

區(qū)域間的相互影響隨著時(shí)間而不斷變化，主要表現(xiàn)為以下特點(diǎn)：

1）時(shí)間越近，影響越大。一般來(lái)說(shuō)，當(dāng)前時(shí)間交通狀態(tài)與最近的歷史交通狀態(tài)有著密切的關(guān)系。

2）周期性相關(guān)性。城市交通狀態(tài)往往呈現(xiàn)出周期性，例如：工作日時(shí)間，每天上午8點(diǎn)的交通狀態(tài)是類(lèi)似的，每個(gè)周末的交通狀態(tài)也很可能是相似的。區(qū)域的當(dāng)前狀態(tài)與上一個(gè)周期的同一時(shí)刻相似。

1.3外部因素

城市交通受很多外部因素如：天氣、節(jié)假日等影響。一場(chǎng)暴雨導(dǎo)致整個(gè)城市的交通的癱瘓;突然的冷空氣降溫可能只是推遲了上班高峰期的出現(xiàn)。不同的外部因素對(duì)城市交通的影響也是不同的。

上述的這些復(fù)雜的因素共同作用在一起，對(duì)城市交通狀態(tài)產(chǎn)生的不可預(yù)知的影響，使得城市交通的預(yù)測(cè)變得非常具有挑戰(zhàn)。

2 深度神經(jīng)網(wǎng)絡(luò)在交通預(yù)測(cè)中的應(yīng)用

深度神經(jīng)網(wǎng)絡(luò)通過(guò)構(gòu)造深層的非線(xiàn)性網(wǎng)絡(luò)結(jié)構(gòu)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、醫(yī)療影像等眾多領(lǐng)域取得了令人矚目的成績(jī)[2]。得益于深度學(xué)習(xí)技術(shù)的突破，深度神經(jīng)網(wǎng)絡(luò)在表達(dá)復(fù)雜的時(shí)空相關(guān)性方面表面出很強(qiáng)的能力。而城市交通預(yù)測(cè)的關(guān)鍵是捕獲城市區(qū)域間時(shí)空關(guān)系的動(dòng)態(tài)變化規(guī)律，因此，越來(lái)越多的研究者嘗試將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于交通預(yù)測(cè)中?；诔鞘薪煌ǖ臍v史時(shí)序數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)其中的時(shí)空相關(guān)性變化規(guī)律是實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)的關(guān)鍵。為了實(shí)現(xiàn)精準(zhǔn)的交通預(yù)測(cè)，現(xiàn)有基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法會(huì)針對(duì)不同的預(yù)測(cè)場(chǎng)景，通過(guò)組合不同的深度神經(jīng)網(wǎng)絡(luò)來(lái)聯(lián)合學(xué)習(xí)時(shí)間相關(guān)性和空間相關(guān)性。本文將從空間相關(guān)性建模和時(shí)間相關(guān)性建模的角度對(duì)已有基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法進(jìn)行介紹。

2.1 空間相關(guān)性建模

城市的區(qū)域位置可以通過(guò)二維坐標(biāo)關(guān)系進(jìn)行表達(dá)，因此城市空間的相關(guān)性形成了一個(gè)對(duì)應(yīng)的二維空間相關(guān)圖。空間相關(guān)性建模的目的在于捕捉所有區(qū)域間的空間特征。

2.1.1 基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）

卷積神經(jīng)網(wǎng)絡(luò)因具有較強(qiáng)的捕捉二維空間特征而出名[3]。卷積神經(jīng)網(wǎng)絡(luò)利用不同的卷積核對(duì)二維空間特征進(jìn)行壓縮，然后再利用全連接網(wǎng)絡(luò)進(jìn)行映射輸出，它能夠?qū)W到大量的映射關(guān)系而不需要任何輸入和輸出之間的精確數(shù)學(xué)表達(dá)式。卷積本質(zhì)上就是利用一個(gè)共享參數(shù)的過(guò)濾器（kernel），通過(guò)計(jì)算中心像素點(diǎn)以及相鄰像素點(diǎn)的加權(quán)和來(lái)構(gòu)成特征圖并實(shí)現(xiàn)空間特征的提取。為了能夠讓卷積進(jìn)行有效的應(yīng)用，一般需要將二維交通圖進(jìn)行網(wǎng)格劃分。如圖2所示，將整個(gè)城市使用網(wǎng)格進(jìn)行劃分，每個(gè)網(wǎng)格代表一個(gè)區(qū)域，所有網(wǎng)格進(jìn)行整齊排列，形成歐式數(shù)據(jù)結(jié)構(gòu)（Euclidean Structure）。卷積操作能夠非常高效的在這樣的結(jié)構(gòu)中捕捉到空間特征。文獻(xiàn)[4-7]都采用了卷積神經(jīng)網(wǎng)絡(luò)，這些方法首先都需要對(duì)整個(gè)城市進(jìn)行網(wǎng)絡(luò)劃分，進(jìn)而構(gòu)建出歐式數(shù)據(jù)結(jié)構(gòu)圖，然后再利用卷積去學(xué)習(xí)不同網(wǎng)格區(qū)域之間的空間相關(guān)性。

2.1.2 基于圖卷積神經(jīng)網(wǎng)絡(luò)

近幾年，有學(xué)者提出區(qū)域間相互關(guān)系形成交互圖并不是二維結(jié)構(gòu)的，例如兩個(gè)相鄰區(qū)域相關(guān)性很強(qiáng)，兩個(gè)相隔很遠(yuǎn)的功能相似的區(qū)域之間也可能存在很強(qiáng)的相關(guān)性?？紤]各種關(guān)系后，城市不同區(qū)域之間的交互關(guān)系會(huì)形成一個(gè)類(lèi)似圖3的非歐式結(jié)構(gòu)圖（Non-Euclidean Structure）。而卷積神經(jīng)網(wǎng)絡(luò)CNN適合于二維平面圖，并不太適合于立體圖，所以學(xué)者開(kāi)始將適用于非歐式結(jié)構(gòu)圖的方法圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Network）來(lái)捕捉空間特征?？梢詫D卷積神經(jīng)網(wǎng)絡(luò)可以分為兩類(lèi)：基于譜域的圖卷積神經(jīng)網(wǎng)絡(luò)和基于空域的圖卷積神經(jīng)網(wǎng)絡(luò)。基于譜域的圖卷積神經(jīng)網(wǎng)絡(luò)利用圖上傅里葉變換和卷積定理從譜域定義圖卷積，而基于空域的圖卷積神經(jīng)網(wǎng)絡(luò)則在節(jié)點(diǎn)域定義加權(quán)函數(shù)在聚合中心節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)的特征[8]。這兩種方法本質(zhì)上都是盡可能多的聚合圖中節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)之間的空間關(guān)系。采用圖卷積神經(jīng)網(wǎng)絡(luò)捕獲空間相關(guān)性的代表有文獻(xiàn)[9-12]，這些方法首先會(huì)根據(jù)不同的應(yīng)用構(gòu)建對(duì)應(yīng)的具有圖結(jié)構(gòu)的區(qū)域空間相關(guān)性圖，然后再設(shè)計(jì)不同的圖卷積方式去學(xué)習(xí)區(qū)域間的空間相關(guān)性。

2.1.3 基于注意力機(jī)制

無(wú)論是CNN還是GCN，其核心都是基于卷積操作，卷積操作會(huì)有一個(gè)特點(diǎn)是對(duì)于近距離區(qū)域節(jié)點(diǎn)關(guān)系的捕捉能力強(qiáng)，而對(duì)于遠(yuǎn)距離節(jié)點(diǎn)關(guān)系的捕捉能力弱。針對(duì)CNN和GCN的這一不足，有學(xué)者將注意力機(jī)制（Attention Mechanism）應(yīng)用于捕捉空間特征關(guān)系。注意力機(jī)制本質(zhì)上是通過(guò)構(gòu)建一個(gè)包含全體區(qū)域的相關(guān)矩陣來(lái)表達(dá)各個(gè)區(qū)域間的關(guān)系程度，因此注意力機(jī)制不僅能夠捕捉到近距離節(jié)點(diǎn)的關(guān)系強(qiáng)弱，也可以有效的表達(dá)出遠(yuǎn)距離節(jié)點(diǎn)影響程度。注意力機(jī)制能夠表達(dá)出不同空間區(qū)域在不同時(shí)刻存在的不同大小的影響關(guān)系。采用注意力機(jī)制捕獲空間相關(guān)性的文獻(xiàn)有[13-14]，這些方法在表達(dá)遠(yuǎn)距離節(jié)點(diǎn)影響程度上具有優(yōu)勢(shì)，但注意力機(jī)制也需要消耗更大的計(jì)算量。

2.2 時(shí)間相關(guān)性建模

在時(shí)間維度上，交通流數(shù)據(jù)是時(shí)序數(shù)據(jù)，具有一些明顯的特征：相鄰時(shí)序相關(guān)性，周期相關(guān)性等。一個(gè)好的方法需要能夠建模出交通流數(shù)據(jù)這些特性，所以在時(shí)間維度的研究上主要關(guān)注了局部相關(guān)性，周期性等特征。

2.2.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network）是專(zhuān)門(mén)用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，它具有記憶歷史序列信息的能力，因此很自然就成了捕捉時(shí)間相關(guān)性的首選算法。但是，研究人員發(fā)現(xiàn)當(dāng)輸入的時(shí)序數(shù)據(jù)比較長(zhǎng)的時(shí)候，循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度消失的問(wèn)題，表現(xiàn)在記不住隔得遠(yuǎn)的數(shù)據(jù)，只能記得近期的數(shù)據(jù)。這個(gè)缺點(diǎn)使得它不能有效的關(guān)注到交通流數(shù)據(jù)中的周期性特征。于是，研究人員開(kāi)始后面人們利用長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory networks）和門(mén)控循環(huán)單元（Gated Recurrent Neural Networks）去捕捉區(qū)域間的時(shí)間相關(guān)性。長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)和門(mén)控循環(huán)單元是循環(huán)神經(jīng)網(wǎng)絡(luò)的變種，它們?cè)谘h(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上添加了門(mén)機(jī)制，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。門(mén)機(jī)制能夠選擇性的忘記不重要的歷史信息，這樣可以網(wǎng)絡(luò)在保留長(zhǎng)期序列信息下減少梯度消失問(wèn)題。采用長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)和門(mén)控循環(huán)單元捕獲時(shí)間相關(guān)性的文獻(xiàn)有。文獻(xiàn)[4，10，11，14，15]分別利用了LSTM或GRU來(lái)實(shí)現(xiàn)時(shí)間相關(guān)性的學(xué)習(xí)，這些方法都是先捕獲空間相關(guān)性，然后再基于LSTM或GRU再進(jìn)一步完成時(shí)間相關(guān)性的學(xué)習(xí)。

2.2.2 基于自注意力模型

長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)和門(mén)控循環(huán)單元雖然改善了RNN存在的問(wèn)題，但效果仍然存在長(zhǎng)歷史信息丟失的問(wèn)題。于是研究人員又將注意力機(jī)制用于捕捉長(zhǎng)期的時(shí)間特征，其中以Transformer中的自注意力模型（Self-Attention Mechanism）表現(xiàn)尤為出色[16]，它彌補(bǔ)了類(lèi)RNN模型的記不住長(zhǎng)期上下文的缺點(diǎn)同時(shí)實(shí)現(xiàn)了并行計(jì)算。不過(guò)，Transformer中的自注意力模型默認(rèn)是丟失了位置關(guān)系，也就是說(shuō)沒(méi)有時(shí)序的概念。所以，利用自注意力模型在處理時(shí)序數(shù)據(jù)時(shí)，需要另外提供時(shí)序位置信息才能夠有效的捕捉到區(qū)域間的時(shí)間相關(guān)性。文獻(xiàn)[13-14]利用注意力機(jī)制實(shí)現(xiàn)了長(zhǎng)距離時(shí)間相關(guān)性捕捉，但是注意力模型計(jì)算復(fù)雜度相對(duì)較高，對(duì)于計(jì)算和存儲(chǔ)容量需求較大。

2.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)

因?yàn)榻煌鲾?shù)據(jù)是時(shí)序數(shù)據(jù)，具有相鄰時(shí)序相關(guān)性，周期相關(guān)性等特征。如果把每個(gè)時(shí)刻分成獨(dú)立的塊，卷積神經(jīng)網(wǎng)絡(luò)也是可以捕捉相鄰時(shí)序塊的相關(guān)性的?；诰矸e神經(jīng)網(wǎng)絡(luò)捕獲空間相關(guān)性的文獻(xiàn)有[6，17]。為了捕捉到周期性，卷積神經(jīng)網(wǎng)絡(luò)需要能夠捕捉長(zhǎng)距離間的特征，而單層卷積神經(jīng)網(wǎng)絡(luò)是只能捕捉到相鄰區(qū)域而無(wú)法捕捉長(zhǎng)距離時(shí)間相關(guān)性的。所以需要加深網(wǎng)絡(luò)用多層卷積神經(jīng)網(wǎng)絡(luò)通過(guò)不斷疊加網(wǎng)絡(luò)深度來(lái)形成更大的感受野，進(jìn)而實(shí)現(xiàn)長(zhǎng)距離時(shí)間相關(guān)性的捕捉。但這種方式存在計(jì)算效率低，優(yōu)化困難等缺點(diǎn)。

3 結(jié)語(yǔ)

城市交通預(yù)測(cè)旨在利用歷史交通時(shí)空序列數(shù)據(jù)，探尋城市交通的動(dòng)態(tài)演化規(guī)律，以實(shí)現(xiàn)未來(lái)交通狀況的預(yù)測(cè)，在交通規(guī)劃、安全管理和資源配置等方面起到重要作用。本文介紹了城市交通預(yù)測(cè)的主要內(nèi)容及其挑戰(zhàn)，從捕獲時(shí)空相關(guān)性的角度闡述了已有基于深度神經(jīng)網(wǎng)絡(luò)方法的優(yōu)缺點(diǎn)。雖然已有基于深度神經(jīng)網(wǎng)絡(luò)方法取得了不錯(cuò)的成績(jī)，但大多數(shù)方法并不能夠?qū)崿F(xiàn)線(xiàn)上實(shí)時(shí)預(yù)測(cè)。此外，現(xiàn)有方法對(duì)于交通數(shù)據(jù)的安全保護(hù)還需要進(jìn)一步提高。

參考文獻(xiàn)：

[1] Tobler W R.A computer movie simulating urban growth in the Detroit region[J].Economic Geography，1970，46（sup1）：234-240.

[2] LeCun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444.

[3] 周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（6）：1229-1251.

[4] 晏臻，于重重，韓璐，等.基于CNN+LSTM的短時(shí)交通流量預(yù)測(cè)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（9）：2620-2624，2659.

[5] 葉景，李麗娟，唐臻旭.基于CNN-XGBoost的短時(shí)交通流預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2020，41（4）：1080-1086.

[6] Zhang J B，Zheng Y，Qi D K，et al.DNN-based prediction model for spatio-temporal data[C]//Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.Burlingame California.NewYork，NY，USA：ACM，2016.

[7] Zhang J B，Zheng Y，Qi D K，et al.Predicting citywide crowd flows using deep spatio-temporal residual networks[J].Artificial Intelligence，2018，259：147-166.

[8] 徐冰冰，岑科廷，黃俊杰，等.圖卷積神經(jīng)網(wǎng)絡(luò)綜述[J].計(jì)算機(jī)學(xué)報(bào)，2020，43（5）：755-780.

[9] 徐先峰，黃劉洋，龔美.基于卷積神經(jīng)網(wǎng)絡(luò)與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)組合模型的短時(shí)交通流預(yù)測(cè)[J].工業(yè)儀表與自動(dòng)化裝置，2020（1）：13-18.

[10] 陳喜群，周凌霄，曹震.基于圖卷積網(wǎng)絡(luò)的路網(wǎng)短時(shí)交通流預(yù)測(cè)研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2020，20（4）：49-55.

[11] Yu B，Yin H T，Zhu Z X.Spatio-temporal graph convolutional networks：adeeplearning framework for traffic forecasting[C]//Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence.July13-19，2018.Stockholm，Sweden.California：International Joint Conferences on Artificial IntelligenceOrganization，2018.

[12] Wang X Y，Ma Y，Wang Y Q，et al.Traffic flow prediction via spatial temporal graph neural network[C]//Proceedingsof The Web Conference 2020.Taipei Taiwan.NewYork，NY，USA：ACM，2020.

[13] 杜圣東，李天瑞，楊燕，等.一種基于序列到序列時(shí)空注意力學(xué)習(xí)的交通流預(yù)測(cè)模型[J].計(jì)算機(jī)研究與發(fā)展，2020，57（8）：1715-1728.

[14] Feng J，Li Y，Zhang C，et al.DeepMove：predicting human mobility with attentional recurrent networks[C]//Proceedings of the 2018 World Wide Web Conference on World Wide Web - WWW '18.April10-27，2018.Lyon，F(xiàn)rance.New York：ACMPress，2018：1459-1468.

[15] 鳳少偉，鳳超，申浩.基于K-means與GRU的短時(shí)交通流預(yù)測(cè)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2020，30（7）：125-129.

[16] Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need[C]//Advances in neural information processing systems. 2017： 5998-6008.

[17] Song C，Lin Y F，Guo S N，et al.Spatial-temporal synchronous graph convolutional networks：anew framework for spatial-temporal network data forecasting[J].Proceedings of the AAAI Conference on Artificial Intelligence，2020，34（1）：914-921.

【通聯(lián)編輯：唐一東】