时间序列预测 DDSTGCN: Dual Dynamic Spatial-Temporal Graph Convolution Network for Traffic Prediction...

Dual Dynamic Spatial-Temporal Graph Convolution Network for Traffic Prediction

1.概述

---

2. 模型结构

提出的DDSTGCN框架如上图所示：
• 输入的交通数据首先通过线性变换模块进行处理，
• 然后输入到堆叠的双时空块(Dual Spatial-Temporal block)中，这是我们对交通流图及其对偶超图实现对偶动态图卷积的核心组件。
• 然后通过跳跃连接融合学习到的特征。
• 最后，通过Leaky ReLU和线性变换层，得到最终的流量预测结果。

---

3.Dual Spatial-Temporal Block 【DST-Block】 —— 双重时空块捕获交通流图的节点和边的时空特征

残差连接Residual Connection：在不同堆叠的dst块之间进行
每个DST-Block：包含[1]交通流图与其超图之间的互相变换，以及[2]动态交通图卷积、[3]动态超图卷积和[4]动态交互模块(DIM)三个模块。

3.1 dual transformations 对偶变化——实现交通流图与其超图之间的互相变换

3.2 DIM模块【Dynamic Interaction Module】———生成 图卷积DGCN和超图卷积DHGCN中 使用的动态边或相邻矩阵

目的：为了捕获更复杂的动态关联，在交通流图和其对偶超图之间交换信息，以获得更有效的流量预测信息.

3.3 动态交通图卷积Dynamic Traffic Graph Convolution——捕捉交通图节点特征

3.4 动态交通对偶超图卷积Dynamic Hypergraph Convolution——捕捉交通图边特征

最后，将(9)中的对偶变换应用于(17)中的超图的超节点特征，并将结果与(16)中的交通流图的节点特征连接起来，得到DST-Block的输出。

---

4.输入层

输入层由一个线性变换(Linear Transformation)组成，主要是将输入的交通数据变换到更高维度的空间，以提高网络的表达能力。

---

5.输出层

输出层首先对所有dst - block的输出进行skip-connection操作，然后融合这些时空特征，并喂进Leaky ReLU和Linear transforms层中，得到最终的预测结果：
在本文中，我们使用平均绝对误差(MAE)来形成损失函数，损失函数定义如下：

---

6.算法流程图

---

7.实验结果

---

代码可讨论
特别感谢up主久月

---