Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting(AAA2018)
背景:交通流的高度非线性和复杂性,传统的方法不能满足中长期预测任务的要求,往往忽略了空间和时间的相关性
动机:我们将问题表达在图上,并建立具有完整卷积结构的模型,这样可以在较少的参数下获得更快的训练速度。
问题:交通预测是一个典型的时间序列预测问题
模型:
STGCN由多个时空卷积块组成,每个卷积块形成一个“三明治”结构,中间有两个门控序列卷积层和一个空间图卷积层
Spatio-temporal Convolutional Block
:构造时空卷积块(ST-Conv块)联合处理图结构时间序列。
然后,我们可以从模型中得到最终输出Z∈Rn×c,然后通过跨c通道的线性变换计算n个节点的速度预测,即ˆv = Zw + b,其中w∈Rc为权向量,b为偏置。STGCN的loss函数
实验: