卷积核是如何更新的_STGCN：时空图卷积神经网络用于交通预测

作者 | 大阳Vinc 学校 | 武汉大学 研究 | 深度学习 出品 | AI蜗牛车 

前言

时空序列问题包含两种形态：表格化数据和图片数据。

而在这个系列此篇之前的文章所介绍的模型都是针对于解决图片数据问题。

在这篇文章中，给大家介绍一种表格化数据的时空预测问题以及对应的一种模型。

一、Address

这是一篇IJCAI2018年的论文，来自北大的团队

Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting

论文链接地址:https://arxiv.org/abs/1709.04875v4

二、Introduction and Model

2.1 交通流预测问题

假如我是道路上的一个摄像头，就负责数经过的汽车数量，没过五分钟我就记录一下这段时间总共有多少车经过，那么一段时间后便可以得到一个时间序列数据。由此可见，交通流预测问题是典型的时间序列问题。而如果我们针对的是某一区域的多条道路以及其上的多个摄像头而言，那么得到的这若干个时间序列就又有了空间信息，即不同摄像头所处的不同的空间位置。因此，我们可以把交通流预测问题看作一个时空序列问题，即利用数据之中所蕴含的时间、空间信息来对未来的区域内不同道路的交通流量进行预测。
如果表示成数学公式的话，那么交通流预测的主要问题就是：

即求得在已知t-M+1到t时间点内的交通流量，去求t+1到t+H时间点的交通流量。
图结构交通数据如下所示:

2.2 问题研究历史及本文创新

文章开头老生常谈的介绍了一下交通流预测问题的重要性以及在这一领域惯用的方法：动态建模和数据驱动方法两种方式。由于使用算法复