Multi-Task Synchronous Graph Neural Networks for Traffic Spatial-Temporal Prediction(sigspatial2021)

交通时空预测对交通管理和城市建设具有重要意义。本文提出了一种多任务图同步神经网络(MTSGNN)来同步预测区域和区域之间的时空数据。提出了构建“多任务图表示”的方法，保留现有作品不能反映的区域和过渡信息。然后，我们的模型同步地捕捉多种类型的动态空间相关性，建立动态时间相关性模型，并对不同的时间步进行加权，以解决长期建模的问题。在三个实际数据集上，我们验证了所提模型的有效性。

该任务的目标是同时预测区域的交通数据和区域之间的过渡

 

 MTSGNN由三个核心部分组成:(1)多任务图表示的构建。(2)堆叠式多任务同步图神经层(MTSGNLs)。(3)预测。每个多任务同步图神经层由堆叠的mtsgnm、一个GAGCN和一个TAM组成。