交通流预测：图卷积网络+seq2seq模型概述

本文将结合交通流量预测分析《Bike Flow Prediction with Multi-Graph Convolutional Networks》中的模型。
参考的这篇博客：https://blog.csdn.net/zuiyishihefang/article/details/96978243

图卷积网络

图网络可以有效的描述交通流预测中地图的拓扑结构，特别是在有采样点参与的情况下。
GNN为点和边都赋予属性，并在计算目标点的隐含状态时考虑相邻点和边的属性。
例如我们要预测点下图中点4的流量：

4号点T时刻的流量，是由点x1,x2,x4及边x13,x23,x43的流量预测出的。
其实预测出来的是隐藏态，即图中的h，所以最后那个g就是用来输出的。
函数f和g实际上就是神经网络，一般前馈就行了。

图卷积神经网络就是在点和边上加卷积核，相当于一个卷积区域：

GNN的好处就在于上下游关系考虑的很明显，不像CNN就是简单的窗口盖住放一起；另一方面就是传感器没有覆盖的点，利用图的拓扑结构可以利用由数据的点进行预测（点到点的推导）。

seq2seq模型预测流量

这篇文章里提了一个很有创造性的seq2seq用法：

首先encoder的输入，是较长时段的流量数据，会被压缩为状态向量final，确实吗，较长历史数据的影响主要是一个宏观趋势性的；而较近时段的时序数据，会直接输入decoder端。这里的encoder和decoder的输入H就是上文图神经网络中目标点产生的那个时序序列o。

但有趣的是，他在训练完encoder-decoder网络后并没有使用整个框架，而是把encoder取出来，用他生成的状态向量final，把final和其他的特征（比如时间、天气、车道车速等等）投进了一个MLP，然后用MLP生成最后的结果（为毛呢？？？）