DSTAGNN Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting

DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting

本文贡献如下：

提出了一种新的动态时空感知图神经网络（DSTAGNN）模型的复杂时空交互的道路网络。首先，考虑到历史数据携带内在的动态信息的道路网络的空间结构，我们提出了一种新的动态时空感知图的基础上的数据驱动的策略，以取代预定义的静态图通常用于传统的图卷积。其次，我们设计了一种新的图神经网络架构，它不仅可以表示动态空间节点之间的相关性与改进的多头注意机制，但也获得了广泛的动态时间依赖性的多感受野功能，通过多尺度门控卷积。

现实路网信息:

在（a）中，黑线表示实际道路，节点表示记录点。

在（B）中，弹性连接意味着记录点之间的空间相邻状态是动态变化的，而剪刀差意味着道路可能暂时关闭。

曲线表示类似城市功能的区域间节点的空间依赖性，虚线表示不同时间步长之间的时间依赖性。

这