STGCN文献笔记翻译

stgcn：

为了充分利用空间特征，一些研究者利用卷积神经网络(convolutional neural network, CNN)来捕捉交通网络之间的相邻关系，同时在时间轴上采用递归神经网络(recurrent neural network, RNN)。Wu和Tan[2016]结合long - short-term memory (LSTM)网络[Hochreiter and Schmidhuber, 1997]和一维CNN，提出了一种用于短期流量预测的特征级融合架构CLTFP。尽管CLTFP采用了直接的策略，但它仍然首次尝试对齐空间和时间的规律。之后，Shi等[2015]提出了卷积LSTM，卷积LSTM是一种扩展的全连接LSTM (FC-LSTM)，具有嵌入的卷积层。然而，由于采用了常规的卷积运算，使得模型只能处理网格结构(如图像、视频)，而不能处理一般的域。同时，用于序列学习的递归网络需要迭代训练，这就引入了误差的逐步积累。此外，基于rnn的网络(包括LSTM)被广泛认为是难以训练和计算量大的。

为了克服这些问题，我们介绍了几种策略来有效地建模交通流的时间动态和空间依赖性。为了充分利用空间信息，我们采用一般图来建模交通网络，而不是将其单独处理(如网格或分段)。为了克服递归网络固有的缺陷，我们在时间轴上采用了一种全卷积结构。首先，我们提出了一种新颖的深度学习体系结构——时空图卷积网络，用于交通预测任务。该架构由多个时空卷积块组成，这些块是图形卷积层[Defferrard等人，2016]和卷积序列学习层的组合，用于建模空间和时间相关性。据我们所知，这是第一次在交通研究中应用纯卷积结构同时从图结构时间序列中提取时空特征。我们在两个真实世界的交通数据集上评估了我们提出的模型。实验表明，在多个预设长度和网络规模的预测任务中，该框架的