羊城迷鹿的博客

研究问题首次使用GNN去解决多元时间序列插补问题背景动机在真实场景下，时间序列数据通常是不完整的，通过插补方法来对缺失值进行填充是一项必要工作（和时间序列的预测问题相比，插补法不仅可以利用过去的事件信息，也可以利用未来的时间信息）现有方法无法有效捕捉到传感器网络中存在的非线性时间和空间依赖性，也无法充分利用关系信息两个传感器具有空间相似性不意味着物理上接近，而是说它们的数据变化比较相关考虑到图神经网络可用于处理具有关系归纳偏差的序列数据，论文提出了一个称之为GRIN的GNN框架，通过消息传递学

研究问题交通流的动态预测问题背景动机在短期预测交通流的情况下无法利用周期性，并且存在着较多的不确定性例如突发的事故，导致了一些预测上的困难道路之间的交互关系难以识别当前利用attention机制捕获动态空间依赖的模型只使用了车速信息，忽视了其他的一些信息，也没有利用全局的时间依赖模型思想提出了一种具有位置注意力机制的图神经网络层来更好地聚合邻近节点的空间信息将RNN和Transformer相结合来捕获局部和全局的时间依赖符号定义给定图G={V,E}\mathcal{G}=\{\m

研究问题城市交通流预测问题背景动机传统的使用图神经网络捕获空间依赖的方法一般基于固定的图结构，但由于交通状况瞬息万变，因此图应该也是动态变化的图神经网络只考虑了局部的空间信息，忽略了全局信息，比如说一些功能相似的节点具有类似的特征，但它们在物理上并不相邻现有的方法为了解决过平滑问题一般采取双层架构，但浅层的网络无疑会损失一些信息，论文试图解决聚合深层网络的信息的问题模型思想根据交通状态获取动态图分别定义空间邻居和语义邻居，对应距离较近和语义较为相似的节点提出一种自适应门控机制来选取高

研究问题自适应捕捉交通流时间序列中的时空依赖问题背景动机当前的大多数深度学习方法基于共享参数模型（不同节点对应同一卷积），由于每条道路的 具体情况不一样，这种方式无法捕捉细粒度的数据模式现存方法要求根据距离或相似度预先定义一个图来捕捉空间相关性，这个图不一定能完善地表示空间依赖模型思想设计节点自适应参数学习(NAPL)模块，分解传统GCN中的参数，根据节点嵌入从所有节点共享的权重池和偏差池生成特定节点参数以捕获节点特定模式设计数据自适应图生成(DAGG)模块，自动推断不同序列之间的相互依

研究问题基于动态空间依赖的交通流预测问题背景动机传统方法不论是外部输入图结构还是自己学出图结构都假定道路之间的空间依赖关系是固定的，因此它们只计算一次空间依赖关系，并一直使用计算出的依赖关系，而不考虑动态变化的交通条件。通过注意力机制来建模动态空间依赖的模型往往忽略了图上固有的结构信息RNN有不能直接访问长输入序列中的过去的特征的限制，不如attention好模型思想空间注意力模块：使用了作者提出的扩散先验、有向头和基于距离的嵌入，以通过捕捉道路速度变化和图形结构信息来建模空间依赖性时

研究问题交通预测，即根据历史交通数据预测路网未来的交通状况背景动机道路网络和交通条件带来复杂的时空依赖性和本质上的不确定性早期交通预测方法主要对单个观察节点或几个节点采用浅层机器学习，难以捕捉交通数据中的非线性及空间依赖卷积神经网络和递归神经网络不擅长处理非欧数据基于图卷积的方法有两个缺点，一个是它们主要通过在固定的加权图中使用GCN来建模空间依赖性，忽略了边的复杂性和交互作用，下图展示了如何对边的相互依赖进行建模另一个缺陷是通常使用给定邻域范围中聚合的信息，忽略多个范围信息。然而，不同

研究问题论文希望能实现多尺度交通预测，这是城市交通控制与引导的前提和基础，也是智能交通系统的主要功能之一。背景动机大多数方法(如线性回归)能够在短时间内进行良好的预测。然而，由于交通流的不确定性和复杂性，这些方法对于长期的预测效果较差。动力学方法可以实现中长期的预测，但它需要使用切合实际的假设，并且会消耗较多的算力基于统计的模型无法引入时空相关性深度学习模型使用CNN和RNN来分别建模时空依赖，但是CNN针对的是网格数据，不适用于路网；RNN会导致训练错误的逐步累积，并且训练困难，耗时较长（这