【论文笔记（3）】Dynamic Spatiotemporal Graph Neural Network with Tensor Network

摘要（Abstract）

动态空间图构造是图神经网络(GNN)解决时间序列数据问题的一个挑战。

虽然一些自适应图是可以想象的，但无论之前的所有情况如何，只有2D图被嵌入到网络中以反映当前的空间关系。

在这项工作中，我们生成一个空间张量图(STG)来收集所有的动态空间关系，以及一个时间张量图(TTG)来发现每个节点上的潜在模式。

这两个张量图共享相同的节点和边，这使得我们通过投影纠缠对状态(PEPS)来探索它们的纠缠相关性，以优化这两个图。

我们在公共交通数据集上与最新的基于GNN的方法进行了准确率和时间开销的实验比较。

简介

GNN主要有四类，即递归GNN、卷积GNN、图自动编码器和时空GNN[Wu等，2019a]。本文的重点是最后一种GNN类型。时空GNNs方法在时间序列预测中面临着两个挑战。

第一个挑战是如何构建动态空间图。在时间变化过程中，一些节点和边可能会出现或消失，从而导致图形发生变化。因此，构建动态图来反映变化的相关性是合理的。

其次，我们的目标是探索每个节点的潜在时间相关性。

总之，为了解决这两个难题，我们不仅构造了空间张量图(STG)，还构造了时间张量图(TTG)，既能捕捉节点间的空间相关性，又能捕捉每个节点的时间相关性。

图1显示了这两个图表。

本文提出了一种基于张量网络的动态时空GNN(DSTGNN)流量预测方法。

提出的方法有