【论文精读】STIDGCN-基于交互学习的时空动态图卷积网络

STIDGCN模型是同济大学Liu等人提出的基于交互学习的时空动态图卷积网络，论文题目为: 《Spatial–Temporal Dynamic Graph Convolutional Network With Interactive Learning for Traffic Forecasting》,并发表在交通顶级期刊IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS上。

现有模型存在的问题

该模型的提出旨在解决现有交通时空预测模型存在的2个问题:

• 未能从多尺度上构建时空依赖，同时时间依赖和空间依赖之间缺乏交互学习

一类模型是采用顺序或者并行拼接的方式来组合时间依赖学习模块和空间学习模块，该种粗粒度的时空组合模式，可能会削弱有价值的特征，放大不重要的特征，同时缺乏局部时空依赖的建模，典型代表为STGCN。

另外一类模型则通过将空间模型嵌入到时间模型的方式，来最大程度得保留时间和空间之间的关联性，比如将GCN嵌入到RNN中，典型代表为DCRNN。该种构建方式可以通过细粒度的方式，在每个时间步分别捕获交通数据的时间和空间依赖。然而其缺乏对全局时空表征学习的能力，在进行长时序、大范围时空依赖学习时会面临挑战。

此外，时序的趋势性和周期性的有效学习，将有助于模型揭示交通网络内的动态时空关联。因此，时间和空间依赖的学习是可以相辅相成，相互促进的，但现有的研究只是简单融合了时间和空间的建模模块，而忽略了两者之间的交互学习。

• 在构建动态图结构时，未能有效考虑每个节点因空间异质性导致的不同的局部时空模式

已有的时空预测模型主要基于GNN来进行空间依赖的学习，目前图的构建方式主要分为3种: 预定义图、自适应图和动态图。预定义图主要基于先验知