2

这是谷歌创始人谢尔盖-布林和拉里-佩奇在1998年发表的关于Google搜索引擎系统设计的短版论文。至今饮用两万多次。

摘要 背景（交通预测的意义） 交通预测是智能交通系统的基础，对于建设智慧城市而言至关重要。 问题陈述（现有时空网络建模方法的不足在于？） 忽略路网空间相关性的动态特性 基于RNN的方法效率低 缺乏公平的比较 方法（本文如何应对目前的挑战？） 提出一个新颖的交通预测框架，名曰DGCRN。新颖之处在： 每一个时间步都生成动态的滤波器参数，从节点属性中提取动态特性 对节点嵌入进行过滤，并使用他们生成动态图，集成于预定义的静态图中 应用一种新的训练策略，提高效率和模型表现。 实验 新模型超越15个基线模型。 引言 背景 （关于社会对智能交通系统的需求、目前实现智能交通的可能性（从数据源和方法两个角度讨论））。 陈述交通预测所面临的挑战 捕获时空相关性方面 空间依赖性 相似的交通模式会在路网的局部发生。 时间依赖性 同一位置的交通状况具有非线性变化模式且具有周期性 时空相关性 不同位置间的交互是动态变化的。 利用地理属性方面 待预测的交通属性是否与道路地理属性有关系？如何更充分利用外部的地理特征？ 路网距离、节点连通性 POI 流

Many complex networks in the real world have community structures – groups of well-connected nodes with important functional roles. It …

对图或网络上两种离散Ricci曲率（Forman Ricci曲率和Ollivier Ricci曲率）进行了经验性的比较，发现虽然这两种离散Ricci曲率时基于经典平滑概念的不同属性所建立的，他们反映网络结构和行为的不同方面，但是在大量模型和真实世界网络中的分析表面这两种离散化里奇曲率在多数网络中高度相关。在大规模现实世界网络中的粗粒度网络分析可以用Forman-Ricci曲率替代Ollivier-Ricci曲率以提高计算速度。

由于复杂的空间和时间相关性，交通流预测一直是一项具有挑战性的任务。现有的工作试图通过开发各种时空模型来解决这一问题。然而，我们观察到遥远道路之间的语义关联性对于交通流预测也是至关重要的。为了将路网中的空间、时间、语义关联与各种全局特征联合建模，本文提出了T-MGCN (Temporal Multi-Graph Convolutional network)交通流预测深度学习框架。首先，识别了几种不同类型的语义关联，并将道路间的非欧氏空间关联和异构语义关联编码到多个图中，通过多图卷积网络对关联性进行建模。然后利用循环神经网络学习交通流的动态模式，以捕获时间相关性。最后利用全连接神经网络融合时空相关性和全局特征。

由于在不同尺度上联合建模时空依赖性的复杂性，交通预测是一个具有挑战性的问题。最近，已经开发了几种混合深度学习模型来捕捉这种依赖性。这些方法通常利用卷积神经网络或图神经网络（GNNs）来模拟空间依赖性，并利用循环神经网络（RNNs）来学习时间依赖性。然而，RNNs只能捕捉时间序列中的顺序信息，而无法对其周期性进行建模（如周模式）。此外，RNNs难以并行化，使得训练和预测的效率较低。在这项工作中，我们提出了一种名为Traffic Transformer的新型深度学习架构，以捕捉时间序列的连续性和周期性，并对空间依赖性进行建模。我们的工作从谷歌的机器翻译Transformer框架中获得灵感。我们在两个真实世界的交通数据集上进行了广泛的实验，结果表明我们的模型以相当大的优势优于基线模型。

准确、实时的交通预测在智能交通系统中发挥着重要作用，对城市交通规划、交通管理和交通控制具有重要意义。但由于受城市路网拓扑结构和随时间动态变化规律的限制，即空间依赖性和时间依赖性，交通预测一直被认为是一个开放的科学问题。为了同时捕捉空间依赖性和时间依赖性，我们提出了一种新型的基于神经网络的交通预测方法，即图卷积网络（GCN）和门控递归单元（GRU）相结合的时间图卷积网络（T-GCN）模型。具体来说，GCN用于学习复杂的拓扑结构以捕捉空间依赖性，门控递归单元用于学习流量数据的动态变化以捕捉时间依赖性。然后，采用T-GCN模型进行基于城市路网的交通预测。实验表明，我们的T-GCN模型可以从交通数据中捕获时空相关性，并且在实际交通数据集上的预测结果优于最新的基准模型。我们的T-GCN的Tensorflow实现见https://github.com/lehaifeng/T-GCN。

全世界的地理信息系统从业人员享有越来越多的自由和开源软件（FOSS)选择。这种软件扩大了地理信息系统在经济发展中国家的使用范围，同时促进了当地技术专长的发展。本文回顾了南美洲对FOSS GIS的吸收和宣传，特别是它与该地区对自由和开放源码软件的政治友好气氛的关系。在南美洲面向公众的网络地图中评估了自由和开放源码软件GIS的使用与否，首先是在国家政府一级，然后是以阿根廷为研究对象的省一级。然后总结了南美洲围绕FOSS GIS的地方技术支持小组和软件开发方案。最后，介绍了在地方一级建立FOSS GIS技术社区的三个案例研究：FOSSGIS Brasil在线杂志、Geoinquietos Argentina professional network（地理信息学阿根廷职业网络）和巴西的FOSS.4GIS.GOV会议。对这些团体的领导人、动态和做法的研究，可以为世界各地处于类似情况下的为促进FOSS GIS的采用、发展、技能和服务而努力的其他团体提供参考。

预测时空网络中的流量（如车辆、人群和自行车的流量），包括一个节点的进出流量和不同节点之间的转换，在交通系统中起着重要作用。然而，这是一个非常具有挑战性的问题，受多种复杂因素的影响，如不同地点之间的空间相关性，不同时间间隔之间的时间相关性，以及外部因素（如事件和天气）。此外，节点上的流量（称为节点流）和节点之间的过渡（边缘流）相互影响。为了解决这些问题，我们提出了一个多任务深度学习框架，同时预测整个时空网络的节点流和边缘流。基于全卷积网络，我们的方法设计了两个复杂的模型，分别用于预测节点流和边缘流。这两个模型通过耦合它们的中间层的潜伏表征来连接，并一起训练。外部因素也通过门控融合机制整合到框架中。在边缘流预测模型中，我们采用了一个嵌入组件来处理节点之间的稀疏过渡。我们基于北京和纽约市的出租车数据对我们的方法进行了评估。实验结果表明，我们的方法具有超越ConvLSTM、CNN和Markov Random Field等11种基准的优势。