Spatio-Temporal Pivotal Graph Neural Networks for Traffie Flow Forecasting

摘要：交通流量预测是一个经典的时空数据挖掘问题，具有许多实际应用。,最近，针对该问题提出了各种基于图神经网络（GNN）的方法，并取得了令人印象深刻的预测性能。然而，我们认为大多数现有方法忽视了某些节点（称为关键节点）的重要性，这些节点自然地与多个其他节点表现出广泛的联系。由于与其他节点相比，关键节点具有复杂的时空依赖性，因此对关键节点进行预测提出了挑战。在本文中，我们提出了一种基于 GNN 的新颖方法，称为时空枢轴图神经网络（STPGNN）来解决上述限制。我们引入了一个关键节点识别模块来识别关键节点。我们提出了一种新颖的关键图卷积模块，能够精确捕获以关键节点为中心的时空依赖性。此外，我们提出了一个能够提取关键节点和非关键节点上的时空流量特征的并行框架。与最先进的基线相比，对七个现实世界交通数据集的实验验证了我们提出的方法的有效性和效率。

主要思想：

主要贡献：

1、我们解决具有复杂时空依赖性的某些关键节点的流量预测问题。我们提出了一种识别交通网络中关键节点的新方法。我们构建了一个关键图并引入了一个关键图卷积模块来准确捕获关键节点的时空依赖性。

2、提出了一个并行框架来捕获所有节点之间的时空依赖性(全局信息)。该框架可以集成在关键节点和非关键节点上捕获的时空特征。

<