fmf1287的博客

时空影响图如下： 棕色箭头：每个节点都在同一时间步影响其相邻节点。 蓝色箭头：每个节点都在下一时间步影响自身。 绿色箭头：由于同步的时间相关性，每个节点可以再下一时间步影响其相邻节点。 提出STSGCN的原因： DCRNN、STGCN、ASTGCN提出了捕获时间和空间依赖关系的独立模块，但本文相信如果同时捕获时空关联将会更有效。 时空网络在时空维度上表现出异质性，即不同地点不同时间的交通流量会呈现不同的pattern，但之前的研究在不同的...

本论文基于注意力的体系结构来执行图结构数据的节点分类。其思想是计算图中每个节点的隐藏表示，通过关注它的邻居，遵循自我注意策略。 图神经层 该层输入为一组节点特征，N为节点个数输出为在每个节点上执行自注意力机制：，该公式去掉了所有图结构信息，为加入图信息，本文使用masked attention，即仅关注节点i在图中的一阶邻居节点。1、用softmax对节点进行归一化：2、进阶的，attention机制用神经网络实现：使用multi-head attention，...

ASTGCN包含三个独立分量，分别模拟交通流量的近期依赖性、日周期性和周周期性。主要贡献有： 通过空间注意力捕捉不同位置之间的空间相关性，通过时间注意力捕捉不同时间之间的时间相关性。 设计了时空卷积模块，包括空间图卷积和时间卷积； 在真实公路交通流量数据集上取得最好的效果。 模型架构如下： X_h是一段与预测周期直接相邻的历史时间序列 X_d是一段过去几天中与预测时间段相同的时间段时间序列 X_w是一段过去几周中与预测时间段...

本文提出了基于时空图卷积的网络，解决交通流量预测问题（中长期流量预测问题）。STGCN包含两个时空卷积核和一个输出层。时空卷积核包含一个时域门控卷积、一个空域门控卷积和一个时域门控卷积。 整体时空卷积核的代码如下： 注意到，第一个时域卷积核的激活函数为GLU，而空域卷积核和第二个时域卷积核的激活函数为relu。def st_conv_block(x, Ks, Kt, channels, scope, keep_prob, act_func='GLU'): ...

传统基于GCN的流量预测需要通过距离或相似度定义邻接矩阵，预先定义的图不能包含关于空间依赖性的完整信息，与预测任务没有直接关系，这可能导致相当大的偏差。此外，如果没有适当的知识，这些方法无法适用于其他领域，使得现有的基于GCN的模型失效。因此，提出了DAGG进行图的自适应学习。通过两个自适应模块来增强GCN，以完成交通预测任务: Node Adaptive Parameter Learning (NAPL) module（节点自适应参数学习方法）: Data Adaptiv..