T-GCN(时间图卷积网络) 泛读笔记
1.文章概述
1.主要贡献
- 将图卷积和GRU结合提出了T-GCN网络。图卷积用于捕捉道路网络的拓扑结构,建模空间依赖。GRU用于捕获时间相关性。
- T-GCN模型在不同时间间隔的预测结果呈现稳态,也就是说在长期预测上性能较好。
- 在两个数据集上的实验结果与之前的baseline相比有加大提升
2.模型介绍
变量定义:
变量 | 定义 |
---|---|
G ( V , E ) G(V,E) G(V,E) | 无权重图 |
V V V | 节点 |
E E E | 边 |
X N × P X^{N\times P} XN×P | 特征矩阵 |
A A A | 邻阶矩阵 |
2.1 Spatial Dependence Modeling
使用GCN模型从交通数据中学习空间特征。2层GCN模型可以表示为:
2.2 T emporal Graph Convolutional Network
使用GRU进行时间依赖的捕捉相较于LSTM只有两个门:reset gate,update gate,T-GCN总体看下来就是对GRU网络的输入X进行了图卷积操作提取空间依赖后再输入GRU网络具体公式如下:
2.3 损失函数定义
loss = ∥ Y t − Y ^ t ∥ + λ L r e g \operatorname{loss}=\left\|Y_{t}-\widehat{Y}_{t}\right\|+\lambda L_{r e g} loss=∥∥∥Yt−Y t∥∥∥+λLreg