交通流量预测问题
背景： 这些GCN方法忽略了交通系统的自然层次结构，它不仅包括基本的微观道路网络层，还包括以节点代表热点交通区域的宏观网络层，包括中心城区、cbd或其他重要街区等。区域的特征和信息或社区在传统的交通规划转换理论或宏观特征分析中发挥着重要的作用, 而目前基于GCN的交通预测方法很少利用这一信息。
方案：
本文提出了一种新的交通预测层次图卷积网络(HGCN)。如图1所示，本文提出的HGCN具有用于交通预测的GCN的多层特征，即路网的微观层和具有区域节点的宏观层，由路段节点聚类构建。此外，本研究最重要的贡献是构建了GCNs微观和宏观层之间的相互作用，集成了不同尺度的路段和区域特征，提高了交通预测性能
框架
它包含五个用红色文本标记的组件
Traffic Hierarchical Graphs Generating by Spectral Clustering
我们使用路段节点之间的距离来构建路网图，即我们使用路段终点的GPS坐标来计算它们的距离，而忽略这些距离大于给定阈值的路段。
为了简单起见，我们利用路网图上的谱聚类方法来构造区域的宏观图。然后对相邻矩阵的拉普拉斯矩阵进行谱聚类，得到路网的分区。分区的每个簇都可以看作是区域图的一个宏节点。宏图的边是在微观图的基础上构造的，
例如，如果i 在 region1中和j 在 region2中，且第i个节点连接微观图中的第j个节点，则region1连接宏观图中的region2。
GCN on the Graph of Regions
区域图上的GCN通过一次线性变换和两次叠加实现时空块(S-T块)。前者实现对输入区域数据的转换，后者设计用于通过GCN提取区域数据的时空特征
Spatial-Temporal Block S-T块由时间门卷积、空间门图卷积和时间注意机制三部分组成，分别用于学习区域数据的局部时间特征、局部时空特征和全局时间关系。
GCN on the Graph of Road Network
路网图上的GCN与区域图上的GCN具有相同的结构。主要区别是S-T Block在微观图中的输出特征与宏观图的特征相结合。因此，道路网络上的图卷积会受到区域图卷积的影响，这是我们方法的独特之处，利用交通系统的自然层次结构及其观测数据来改进交通预测。
Interaction Layer between Macro and Micro Graphs
为了实现宏图卷积和微观图卷积之间的交互，我们提出了一种融合区域特征和路段特征的动态传递块。首先，我们构造一个传递函数形成组合特征，其中如果道路节点i属于区域j，我们复制区域j的特征，并将其与道路段i的特征拼接
由于交通数据的动态变化特性，路段与区域之间的关系也会发生变化。
Traffic Forecasting Block
我们利用两图的融合特征进行交通预测。为了从不同的阶段特征中获得更多的信息，我们设计了一个跨接来处理这些特征。然后，我们将skip-connection输出进行集成，并将其输入预测块进行预测结果。预测块体由两层叠加的线性transformer 层状体组成
Experiments
不同方法对两个数据集的30分钟、1小时、2小时流量预测结果如表1所示。结果表明，在所有指标中，本文提出的GCN方法与其他方法相比性能最好，其中GWNET是最新的基于GCN的相关方法，性能最先进。此外，基于深度学习的方法比传统的HA和ARIMA方法，验证了深度学习方法具有较强的学习能力
结论
本文提出了一种新的图卷积网络，即HGCN，用于预测交通数据。与目前基于GCN的方法在图卷积中只使用路段信息不同，HGCN构建了一个考虑微观和宏观交通信息的双流图网络。该方法在两个真实交通数据集上进行了评估。实验结果表明，该方法优于现有的交通预测方法。然而，考虑到路网的动态复杂性以及天气等因素的干扰，在交通预测中需要引入更多的数据源，其GCN框架值得在未来的工作中探索。
创新点在于提出了 一个动态传输快，实现道路和区域之间的信息流通。
