【深度学习】时空图卷积网络（STGCN），预测交通流量

论文地址：https://arxiv.org/abs/1709.04875

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

一、摘要

准时准确的交通预测对城市交通控制和引导至关重要。由于交通流的高非线性和复杂性，传统方法无法满足中长期预测任务的要求，并且通常忽视空间和时间依赖关系。本文提出了一种新颖的深度学习框架，即时空图卷积网络（STGCN），用于解决交通领域的时间序列预测问题。我们不是应用常规的卷积和循环单元，而是在图上制定问题，并利用完整的卷积结构构建模型，这使得训练速度更快，参数更少。实验证明，我们的模型STGCN通过建模多尺度交通网络有效地捕获了全面的时空相关性，并在各种真实世界的交通数据集上始终优于最先进的基线模型。

二、数据集介绍

美国洛杉矶交通数据集 METR-LA 介绍

T-GCN文章选取了该数据集2012年3月1日至3月7日期间的207个传感器及其交通速度。每5分钟汇总一次交通速度。**相似性，数据总结出一个邻接矩阵和一个特征矩阵。邻接矩阵