(ASTGCN)Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting-CSDN博客

本文链接：https://blog.csdn.net/weixin_45061211/article/details/125278337

ASTGCN：注意力机制的时空图卷积神经网络，来预测高速公路上的车流

由于在学习这方面的知识，就把自己的学习笔记写下来，方便以后自己复习

文章定义的概念如下：G = (V, E, A)，V是有限节点的集合，E是边集合，A是N*N的邻接矩阵

文章中有一句话是

Suppose the f -th time series recorded on each node in the

traffific network G is the traffific flflow sequence,

我的理解刚开始是，说每个节点都包含了f个时间序列的数据，看到后面的公式，其实不是，每个节点在当前时刻其实只有不同的属性值，是个实数:R，F代表的是特征的个数，有几个特征：比如：speed，occur.........

是在时间t的第i个节点的所有特征信息。

是在时间t的第i个节点的第c个特征，是个标量，实数

是t时刻所有N个节点的所有节点的特征信息

是过去tau个时刻所有节点的所有特征信息

文章要解决的问题是输入得到

下个时间窗Tp的预测车流，

文章提出的模型结构如下:

简单来说就是分了三种不同的时间间隔，分别是：用最近的两小时预测今天的下一小时(recent)，用昨天，前天，大前天的这一时刻的两小时预测今天这一小时(daily-peridodic)，用上周，上上周，上上上周的这一天的这一时刻的两小时预测今天这一小时(weekly-periodic)。

文中的定义如下:

这是recent的

这是daily的

这是weekly的

定义中发现有个q是什么意思呢？

假设每天采样q次。

以文章举的例子来说:

Th=Tw=Td=2Tp=2 hours，而且文中哪个地方好像说了，它用的这个数据集是每五分钟融合一次数据，这里不难看出q=24 hours / 5mins =288，那么每天就采样288次。

比方说这个式子:带入计算：

这里的单位就是一个采样间隔:5min

然后就是空间和时间的注意力模块:

这里我按照他给出的定义算了一遍:S的形状是N*N的，并且这里有个定义是说这个 $C_{r-1}$ 是输入数据的通道数，当这里的r=1(代表第一层)，就是第一层(第一个模块的输入时) $C_{0}$ =F，也就是说第一层输入的特征数就是所有的特征，当r=2时，可能输入的特征数会发生改变?(这里我还没看明白)，然后