图神经网络应用变体(时空数据挖掘一)

Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting（AAAI202）

解决问题：实现交通流量预测

动机：

1.由于道路网络和交通条件所带来的复杂的时空相关性和不确定性；

 2.这些方法受限于捕捉交通数据非线性的能力，而忽略或几乎不利用空间相关性 

3. cnn限制模型处理网格结构(如图像和视频)，没有考虑以不规则道路网络为主的非欧几里 

4. GCN存在两个限制：1）在一个固定的加权图中利用GCNs来建模空间依赖性 2）这些方法通常使用在给定的邻域范围内聚合的信息(即𝑘-hops内的邻域)，忽略多个范围信息。

模型

Multi-Range Attentive Bicomponent GCN (MRA-BGCN)，它不仅考虑节点间的相关性（The node-wise graph），还将边视为相互作用的实体（edge-wise graph ），以及利用多个范围信息（multi-range attention mechanism）

(1) the bicomponent graph convolution module

包括node-wise graph convolution layers and edge-wise graph convolution layers ，他们实现对节点和边的相互作用进行建模。

Stream connectivity

道路连接可能受到上下游道路连接的影响。如图3(a)所示，(𝑖→𝑗)是(𝑗→𝑘)的上游，因此它们是相关的。我们使用高斯核计算𝑨ℯ中流连通性的边缘权值

Competitive relationship

共享同一源节点的道路链路可能会争夺交通资源，产生竞争关系。共享目标节点𝑘的两条边(𝑖→𝑘)和(𝑗→𝑘)由于竞争关系而相关。

(2) the multi-range attention layer

自动学习不同邻域范围的重要性，能够聚合不同社区的信息。多范围注意层对不同邻域范围内的信息进行聚合，并学习不同邻域的重要性范围而不是给定的邻域范围

Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning

：