图神经网络实战（25）——基于A3T-GCN预测交通流量

0. 前言

近年来，智慧城市的概念日益流行。这一概念指的是利用数据来管理和改善运营与服务的城市。在这一背景下，智能交通系统的建立是其重要方面，准确的交通预测可以帮助交通管理者优化交通信号、规划基础设施并减少拥堵。然而，由于复杂的空间和时间依赖关系，交通预测是一个具有挑战性的问题。
在本节中，我们将把时空图神经网络 (Temporal Graph Neural Networks, TGNN) 应用于交通预测中。首先，我们将探索和处理 PeMS-M 数据集，从原始 CSV 文件创建一个动态图。然后，应用 TGNN 预测未来的交通流量。最后，对结果进行可视化并与基准模型进行比较，以验证架构的有效性。

1. PeMS-M 数据集分析

在本节中，我们将介绍 PeMS-M 数据集，以获取数据集相关信息。
我们在本节中所使用的数据集是 PeMSD7 数据集的变体。原始数据集是在 2012 年 5 月和 6 月的工作日使用加利福尼亚州性能测量系统 (Performance Measurement System, PeMS) 从 39,000 个传感器站点收集交通速度后