pytorch_geometric(pyg)复现T-GCN

前言

上一篇文章从pyg提供的基本工具出发，介绍了pyg。但是大家用三方库，一般是将其作为积木来构建一个比较大的模型，把它用在自己的数据集上，而不是满足于跑跑demo里的简单模型和标准数据集。因此本文将从复现T-GCN（论文和官方源码见此）的角度出发，讲述怎么使用pyg搭建一个GNN-RNN模型，包括数据集的构建和模型的搭建。

刚开始复现的时候，我踩了很多坑，有的坑是因为不熟悉pyg踩的，有的坑是因为作者论文里和源码里的模型不一致踩的。这里说是复现，但是是以作者源码里的模型为准。那你可能会问了，都有源码了，我在这里吵吵啥“复现”呢？因为源码不是采用pyg写的，而是使用了原始的GCN计算方式，使用一些矩阵乘法做的。

前置准备

虽然我不是作者团队的……但是我觉得还是有必要介绍一下这篇文章的模型和数据集

T-GCN介绍

这里介绍的T-GCN的全称是Traffic-GCN，同学们有可能会在别的地方看到这个简称，但是不一定指的是这个模型。

T-GCN的核心模型结构是使用了GCN+GRU二者组合，先使用GCN得到更丰富的节点特征，再将每个节点的特征都送入GRU中进行计算。相当于使用GCN聚合空间特征，再使用GRU聚合时序特征，具体的计算公式如下。需要注意的是，每次输入的都是当前时间的特征和GRU的隐层特征，二者拼接后作为T-GCN-Cell（可以认为是T-GCN内部的一层卷积）的输入。

$$\begin{gathered} Con{v}_t(X_t,h_t)=L\cdot concat(X_t,h_t) \\ GRU(X_t,h_t)=\begin{array}{r}{u}_t\\ r_{}\end{array} \end{gathered}$$