论文三 用于流量预测的时空元图学习

Introduction

提出一种新颖的时空元图学习框架。元图这个术语是为了描述 GSL 节点嵌入的生成（类似于自适应和瞬时）。具体来说，我们的STG学习包括两个步骤：
（1）从元节点库查询节点级原型；
（2）使用超网络重建节点嵌入（Ha、Dai 和 Le 2016）。
这种本地化的记忆能力使我们的模块化元图学习器能够从本质上区分不同道路上随时间变化的交通模式，这甚至可以推广到事件情况。我们的贡献如下：
• 我们提出了一种新颖的元图学习器，用于时空图（STG）学习，以明确地解开空间和时间的异质性。
• 我们提出了一种通用的元图卷积循环网络（MegaCRN），它仅依赖于观测数据来保持鲁棒性并适应从正常到非平稳的任何交通情况。
• 我们在两个基准（METR-LA 和 PEMS-BAY）以及我们新发布的数据集（EXPY-TKY）上对一组最先进的模型进行定量和定性验证，该数据集具有更大的规模和更复杂的事件情况。

Methodology

Graph Convolutional Recurrent Unit

采用广泛采用的图卷积运算和门控循环单元（GRU）的定义来表示GCRU，作为时空建模的基本单元：

Graph Structure Learning

自适应图

其中 ̃ P 是通过随机游走将可训练节点的矩阵乘积的非负部分归一化而导出的，其中将 E ∈ RN×e 嵌入到其转置中。 另一种 GSL 策略，即瞬时图（Zhang et al. 2020）（图 1），可以用输入信号 Xt 或隐藏状态 Ht 以类似的方式定义。 以后者为例：

Spatio-Temporal Meta-Graph Learner

Meta-Node Bank