【索引】图神经论文之GCN（持更）

GNN中三种基础神经网络：GCN, GAT, GraphSAGE.代表了3种聚合的思想。

• GCN是通过已有的邻居关系，(加权)聚合自身和邻居节点的特征。
• GAT是通过注意力机制，(自助式)获得节点与节点之间的接近性，从而解决节点的分类和链接的问题。
• GraphSAGE是通过(有偏好)随机游走的方式，将图结构转化为线性表示。

这是我的个人理解(不权威)。然随着图神经网络的快速发展，在图神经网络种添加各种组件、搭建新结构或着引入新方法等越来越多，逐渐令人眼花缭乱。特此，在这里整理相关论文，加以梳理，使脉络清晰。提醒：这里的论文大多涉及交通领域。

一、基础的GCN

• GCN的代码

含GCN的文章

简称	文章	作用	备注
	Diffusion convolutional recurrent neural network: Data-driven traffic forecasting	扩散图卷积
STGCN	Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting	GCN捕捉空间信息，门控捕捉时间信息	我的《代码分析文集》
	Dynamic spatiotemporal graph convolutional neural networks for traffic data imputation with complex missing patterns	动态图学习？	原文

二、MGCN

简称	文章	作用	备注
CAFMGCN	Cross-Attention Fusion Based Spatial-Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction	捕捉3个时间段的数据，捕捉3个不同语义的邻接矩阵,然后使用T-atten和S-atten交叉捕捉信息并融合	只有data,No code😢
	Joint predictions of multi-modal ride-hailingdemands: A deep multi-task multi-graph learning-based approach		原文

三、含时空信息的GCN

A、模型的空间结构

B、模型的时间结构

C、模型的时空同步结构

四、融合结构

A、数据的信息融合

B、矩阵的融合

五、门控结构

六、预测问题种类

A、多步预测

简称	文章	作用	备注
	Deep spatial–temporal sequence modeling for multi-step passenger demand prediction	使用的输入数据为历史需求+气象数据+时间元，预定义矩阵和自适应矩阵搭建的GCN直接合并。采用encoder-decoder结构。decoder是LSTM并用于进行多步预测。	我的博文

B、短期预测

C、动态预测

、损失函数

A、常用的损失函数介绍

MSE

$$MAE=\frac{1}{n}\sum _{i=1}^n|\widehat{y_i}-y_i|$$

RMSE

$$RMSE=\sqrt{\frac{1}{n}\sum _{i=1}^n(\widehat{y_i}-y_i)}$$

MAPE

$$MAPE=\frac{1}{n}\sum _{i=1}^n|\frac{\widehat{y_i}-y_i}{y_i}|$$

sMAPE

$$sMAPE=\frac{200}{n}\sum _{i=1}^n|\frac{x_i-y_i}{x_i+y_i}|$$

B、论文中的损失函数盘点

论文名称	简称	损失函数	备注
Deep learning in the COVID-19 epidemic: A deep model for urban traffic revitalization index	DeepTRI	MSE\RMSE\MAPE	我博
Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns	DSTGCN	MAE\RMSE	我博
Adaptive Multi-channel Graph Convolutional	AM-GCN	ACC\F1	我博
A deep-learning model for urban traffic flow prediction with traffic events mined from twitter		MAE\RMSE\sMAPE	我博
Meta Graph Transformer: A Novel Framework for Spatial–Temporal Traffic Prediction	MGT	RMSE\MAE\MAPE	我博
Deep spatial–temporal sequence modeling for multi-step passenger demand prediction		RMSE\MAE\MAPE	我博
elf-attention based generative adversarial network for traffic flow prediction	SATP-GAN	MAE\MSE\RMSE	我博
Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach	ST-MRGNN	RMSE\MAE\R^2	我博
Cross-Attention Fusion Based Spatial-Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction	CAFGCN	MAE\RMSE\MAPE	我博
Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting	ST-MGCN
Bike Flow Prediction with Multi-Graph Convolutional Networks	MGCN	RMSE	我博
RedPacketBike: A Graph-Based Demand Modeling and Crowd-Driven Station Rebalancing Framework for Bike Sharing Systems		RMSE\MAE	我博