论文阅读：Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

AAAI2021的一篇文章，文章标题为：Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting。
问题: 交通速度预测，数据集为PeMS，METR-LA。
动机：
（1） 道路之间的时空依赖性和复杂的动态变化趋势.现有的工作通过给定图结构会限制时空依赖的学习。（这点与ijcai2019,Graph waveNet;KDD 2020MTGNN，NIPS2020,ACGRN论点一致）
（2） 在解决复杂的时空数据时，现有的方法已经过时了：它们通常使用单独的模块来实现空间和时间相关性，或者只使用独立的组件来捕获局部或全局的异质依赖关系。（割裂了时空关联，与AAAI2020的STSGCN出发点相似）

相关工作：
论点1：图的构建受制于数据信息，已有的工作没有考虑不同节点在相同时刻的相似性（同为办公区的道路或区域会遭受交通拥堵）；
作者认为Graph waveNet和STSGCN提出的可学习邻接矩阵都缺乏对图中复杂时空依赖关系的相关表示能力？（这点表示质疑）

论点2：现有的工作不能够很好的捕获局部和全局的空间依赖；例如RNN通过迭代捕获长序列依赖，耗时且存在梯度消失问题；堆叠CNN的方法（STResNet,STGCN,GraphWaveNet），如STGCN(GCN+1Dconv) ,GraphwaveNet(GCN+TCN)堆叠的方法，随着堆叠层数增加可扩散因子增加可能会丢失局部信息，（指的是底层的空间依赖信息），一般来说堆叠的越深感受域也越大，对于时间维度是，可以看到更多历史数据；对于空间维度，可以看到更多邻据节点信息。

创新点：
（1） 通过DTW算法（一种很老的时间相似度计算方法）,构建图结构，时间图通过计算时间序列相似度，然后将多个图集成为一个时空融合图，得到隐藏的时空依赖关系；
一种数据驱动建图方式，不需要邻接矩阵；时空图融合模块
（2） 门控CNN扩散模块与时空图融合，堆叠以捕获长距离时空相关性。

模型：

基于GraphWaveNet改进的模型，TCN这部分是一样的。STFGN （spatial temporal fusion graph network）module是模型的主要创新点，如右边所示，DTW算法计算历史多个时刻的时空图的相似性，得到多个邻接矩阵，作为Graph Multiplication Block（浅蓝色）的输入，在这些Graph Multiplication Block之间加上残差连接，以堆叠加深模型捕获全局的空间依赖；
最后，时间与空间信息融合，

总结：
论点是自适应图，长短期时空依赖。方法是DTW计算邻接矩阵。
创新点：
是DTW算法根据历史的数据（图节点信息），建图，实现动态自适应图结构；
局限：
模型像STSGCN与GraphWaveNet的结合体（时空融合图，与TCN），以及自适应的图结构。
说实话自从2018年那篇STGCN出来后，这些模型长得都挺像的。
还有就是现在交通领域现在自适应图好像比较流行了，现在的研究通过各种自适应方法建图。
文章代码：https://github.com/MengzhangLI/STFGNN