【论文】STHAN

背景

交通流量预测，一个经典的时空预测问题。空间的关系一般有CNN、GNN来捕捉，时序的关系有RNN、1d-CNN
挑战：

1. 复合空间关系：如果D和A有相似的POI，那D和A的邻居B也可能高度相关
2. 空间关系的异质性：不同的区域 与相似地区（或邻居）的需求相关性也可能不同。还没有同时考虑同质和异质关系下区域贡献差异的方法
3. 复合时间关系和空间关系
   

方法

formulation

时空分割

把城市想象成HxW的矩形分割成bins,每个bins是v_i；再把连续的时间离散化；

时空同质图

需求

把一个node i 在时间片t 的订单量 $x_i^t$定义为需求

问题

预估下一个时间片的单量

时空同质图的构建

左下角红框里有四种关系：3个空间关系和1个时间关系

1. 相邻 nbr
   

2. 相似POI poi
   

3. 相似时间模式 tps
   历史数据的相似性， where Ci, j is the Pearson correlation coefficient between node vi and node vj
   

4. 时间关系 tim：A region’s past time series

Attention Layer

Node Level Attention

Meta-Path Level Attention

k,v 的计算来源是u

Meta Temporal Block

主要结构就是GRU

评估