T-GCN(时间图卷积网络) 泛读笔记

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
$G(V,E)$	无权重图
$V$​	节点
$E$	边
$X^{N\times P}$	特征矩阵
$A$	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

$$\mathrm{loss}=\Vert Y_t-{\hat{Y}}_t\Vert +\lambda L_{reg}$$