《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》

摘要：及时准确的交通预测对于城市交通控制与指导至关重要。由于交通流量的非线性和复杂性，传统方法满足不了中长期预测任务的条件且经常忽略时间相关性和空间相关性。在本文中，我们提出了一个深度学习框架Spatio-Temporal Graph Convolutional Networks (STGCN) 以解决交通领域中的时间序列预测问题。我们没有使用普通的卷积单元和循环单元，而是将交通网络定义为图的形式并且使用完全的卷积结构来建模，这种结构具有更快的训练速度和更少的参数。实验表明我们的模型STGCN通过对多尺度交通网络建模后可以有效地捕获复杂的时空相关性以及在多个交通数据集上比基线模型表现出了更好地性能。

模型框架

• 问题定义

 

• 数据表示

 

 

• 总体框架

 

• 优化目标

• STGCN模型特点总结

  • 处理图结构序列数据的通用框架，可以应用到更多的时空预测任务中。

  • 结合图卷积和门控时序卷积来捕获空间特征和时许特征。

  • 模型全部由卷积结构组成，有并行性，计算效率高。

实验结果

 

 

 

阅读总结

1. STGCN将交通网络建模为一般图，采用图卷积网络建模空间相关，图卷积使用频域方法。

2. STGCN采用时序卷积建模时间相关，使得整个模型均为卷积结构，有高计算效率。