小王同学

本周学习内容:学习时空图神经网络相关基础知识，观看交通流量预测代码讲解视频。

背景：快速的城市化带来了人口的增长，并带来了巨大的流动性和挑战性。在这些挑战中，智能交通系统是一个重要领域，交通预测是城市交通管理的重要部分。问题描述：论文关注的是如何准确的预测未来的交通状况，例如交通流量和速度、乘客需求等。方法：传统的预测方法采用时间序列模型，它们无法捕捉到大规模交通的非线性相关性和复杂的时空模式。论文提出了一种叫做 Adaptive Graph Convolutional Recurrent Network （AGCRN）的方法。

该论文引入Transformer，主要核心是自注意力机制，自注意力（Self-Attention）机制是一种可以考虑输入序列中所有位置信息的机制。

卷积神经网络：灵感来源于人类的大脑，在识别一个物体时，首先识别边缘，再识别形状，最后确定物体的类型。卷积神经网络利用大脑识别的特点，建立多层神经网络，较低层识别物体的特征，若干底层特征组成更高一层特征，最终通过多层特征组合来进行分类。典型的卷积神经网络CNN由卷积层、池化层和全连接层组成。卷积层用来提取特征，池化层用来降维和降低过拟合，全连接层用来输出最后的结果。研究的对象通常是有规则的空间结构，比如有序的语句，对于猫狗的分类。这些特征都可以用矩阵来表示。