关注公众号：【人工智能前沿讲习】，回复【SFFAI111】获取讲者PPT资料，入交流群，推荐论文下载。
了解交通轨迹的行为对自主驾驶系统至关重要，尤其是在拥挤和复杂的交通场景中的安全导航。在这些场景中，准确的轨迹预测不仅可以帮助自动驾驶车辆做出明智的决定，安全地规划其未来的运动，还可以帮助监控系统检测到异常行为。本期SFFAI论坛我们邀请到了来自北京大学的曹德福同学，分享他利用图神经网络中的频域信息，进行交通轨迹预测的工作。
讲者介绍
曹德福：北京大学信息科学技术学院硕士，主要研究方向为数据挖掘，人工智能。目前已在NeurIPS（Spotlight）、ICRA等会议上发表论文4篇。
报告题目：频域信息在图神经网络中的利用-以交通轨迹预测为例
报告摘要：对于交通轨迹的短期预测，使用纯物理模型或传统的统计模型可以获得可接受的性能，因为在短时间内（即不到一秒钟），行为不太可能在很大程度上受到外部因素的影响。然而，这些方法对于更复杂的长期预测是不够的。考虑到给定的历史轨迹，由于人类的不同意图或不同实体之间的相互影响，可能会有各种可能的未来运动。预测未来轨迹的内在不确定性使得长期轨迹预测成为一项具有挑战性的任务。此外，预测系统还需要根据交通规则来判别由道路边界和管理人员划定的可穿越区域。因此，有必要设计有效的模块来模拟互动代理之间的互动，以及利用环境背景信息。在这项工作中，我们提出利用在图神经网络在频域中存在的模式，采用基于频谱分解的新图卷积方法来捕捉不同频率成分的信息。所提出的方法可以同时处理时间上的相关性和空间结构。在SDD和nuSences数据集上的实验表明，我们的方法远超过传统的图神经网络算法和基于短长时记忆模块的方法。
- Spectral Temporal Graph Neural Network for Trajectory Prediction
- Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting
分享亮点：
- 我们提出了一个频域时空图神经网络（SpecTGNN），用于多Agent的轨迹预测。SpecTGNN在一个统一的框架内，通过图傅里叶变换和图卷积操作，整合了序列建模与卷积网络以及频域特征提取的优势；
- 我们提出了一个SpecTGNN单元，它由两个block组成：Agent交互信息Block和环境图的信息；
- 本文提出的基于频域信息的图神经网络是普适的，有较大的可扩展性。
论文推荐
DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK DATA-DRIVEN TRAFFIC FORECASTING
推荐理由：这篇论文提出了扩散卷积递归神经网络（DCRNN），它集成了扩散卷积，序列到序列的体系结构和调度的采样技术。提出了扩散卷积递归神经网络（DCRNN），它集成了扩散卷积，序列到序列的体系结构和调度的采样技术。
Spatio-Temporal Graph Convolutional Networks A Deep Learning Framework
推荐理由：STGCN 开创性地采用 Graph Convolution 和 Gated Causal Convolution 的组合，不依赖 LSTM/GRU 来做预测。
Graph WaveNet for Deep Spatial-Temporal Graph Modeling
推荐理由：Graph Wavenet考虑处理大范围时间序列的时空图数据，使用GCN和TCN融合捕获时空依赖关系。
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting
推荐理由：结合了频域信息的图卷积神经网络，能够同时分析变量内部和不同变量之间的相互关系，适用于所有没有预先定义拓扑结构的多元时间序列。
Think Globally, Act Locally A Deep Neural Network Approach to High-Dimensional Time Series Forecasting
推荐理由：DeepGLO 将由时间深度网络规范化的全局矩阵分解模型与捕获特定于每个维度的模式的局部深度时间模型相结合。
Social-STGCNN A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction
推荐理由：提出了社会时空图卷积神经网络（Social STGCNN），它通过将交互建模为一个图来代替聚合方法，将行人之间的社会互动通过核函数的方法嵌入到邻接矩阵中。