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

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：