郑宇多任务

TKDE 2019

同一数据从不同角度挖掘有用信息，作者搭建了基于参数硬共享的双任务深度学习模型，学习节点流量(Node-level)和边流量(Edge-level)，完成了流量进出和流量迁移两个任务的预测，不仅能知道每个区域在下一时刻的具体流量，还知道了这些流量是从哪个区域转移过来。使用FCN全卷积网络，保证了输入输出维度的一致。所提出的MDL最终在北京和纽约的出租车数据集上超过了ST-ResNet在内的11个baseline。

网络模型并不陌生。就是下文提到的AAAI17郑宇ST-ResNet的Pro版，整个网络呈对称结构，上面是NodeNet，下面是EdgeNet，分别输出了

和

，最后送到BRIDGE模块进行Concat融合（相比于Sum更好，后者受限于相同维度），再分别输出(输出时将天气等外部信息加进去进行Gating Fusion，即所谓的门控组件，用来融合时空相关性和外部因素，事实上感觉就是加了权重Gating，不是简单的对位相加Simple)。

            时间：近邻，周期，趋势；空间：近邻，遥远。EDGENET和NODENET 都是一个 3S-GCN全卷积网络，我们选择近邻、较近、遥远的关键帧作为近邻、周期、趋势依赖。区别是 NODENET 没有嵌入层因为输入的通道数只有 2维。

维度：

= {2,I,J},

= {2N,I,J}

由于

种情况，一个地点会和一些周边区域发生流量转移，可能是很小一部分方格，所以非常稀疏的转移矩阵也有很大的挑战，在本文中的EdgeNet设计了Embedding组件，低维编码解决了稀疏高维的输入。

            多任务引申：不同任务有不同噪声，更泛化的表示能够带来更好的性能。用任务B能够带来任务A难以学到到的特征P，给任务A使用。