mintminty的博客

【文章】Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network【作者】Zhang X, Huang C, Xu Y, et al.【来源】AAAI 2021【代码】https://github.com/jillbetty001/ST-GDN现存问题大多数研究聚焦于临近区域的近邻空间相关性，忽略了全局地理上下文信息大多数研究无法对具有时间依赖性和多分辨率的复杂流量转移规律进行编码本文概览提出名为 Sp.

目录本文贡献MethodologyAdjacency Matrix GenerationCoupled Layer-wise Graph ConvolutionMulti-level AggregationTemporal Dependence ModelingExperimentsDatasetsExperimental SetupMain ResultsComparison with BaselinesAblation Study本文贡献新的图卷积结构：能自适应地提取多层级空间依赖关系。该结构在不

【论文】 Zhang Q, Chang J, Meng G, et al. Spatio-Temporal Graph Structure Learning for Traffic Forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(01): 1177-1185.【代码】 暂无本篇文章主要是解决如何建模复杂、动态的空间依赖性问题，作者认为现在用的图卷积神经网络存在以下几个问题：.

目录AbstractIntroduction & Methodology物理图 (physical graph)流量相似性图 (similarity graph)流量相关性图 (correlation graph)ModelGraph Convolution Gated Recurrent Unit (GC-GRU)Fully-Connected Gated Recurrent Unit (FC-GRU)Collaborative Gated Recurrent Module (CGRM)Physi

文章《ST-GRAT: A Novel Spatio-temporal Graph Attention Network for Accurately Forecasting Dynamically Changing Road Speed》Abstract预测道路交通速度的难点：（1）路段类型不同；（2）速度的突然变化；（3）路段间的空间依赖性。本文提出名为 spatio-temporal graphattention (ST-GRAT) 的模型，包含三方面：（1） spatial attent.

Abstract本文目标是预计到达时间(The estimated time of arrival, ETA)，现有研究存在问题：很少有研究将结构化的图数据考虑在内，更不用说异构的信息网络了。本文提出 HetETA 模型 旨在ETA任务中利用异构的图数据，具体做法：（1）将路网地图转化为多相关信息网络，引入车辆轨迹图联合考虑车辆行为模式（2）时间信息分为近期(recent periods)、日周期(day periods)、周周期(week periods)，然后对每个时间模块分别建模。1.

1. Abstract为提取空间特征的全局和局部依赖性，本文向ConvLSTM引入了一个新的自注意力机制(self-attention mechanism)子注意力记忆模块(self-attention memory , SAM) 能在时空域记住那些具有长期依赖性的特征2. Introduction本文的创新点/贡献在于：提出一个新的基于ConvLSTM的变体模型用于时空预测，命名为SA-ConvLSTM，特点是能很好捕获长程空间依赖性。设计了一个基于记忆的自相关模块(memory-bas

Abstract现存问题：在捕获空间依赖性方面。 大多在固定图上捕获空间依赖关系，这种固定图结构不一样反映真实依赖关系，而真实依赖关系可能由于不完整的邻接关系而丢失。 **在捕获时间依赖性方面。 RNNs/CNNs等在捕获长程的时间序列时，效果不太好。本文解决方法：提出自适应邻接矩阵，并通过节点嵌入学习它堆叠空洞1D卷积，感受野随着堆叠层数增加而指数级增加，进而捕获长程关系1. Introduction时空图模型的一个基本假设是：节点未来信息仅取决于该节点和其邻居的历史信息。后续研

回顾下前面的这篇文章 论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》在这篇文章中存在一个问题，即模型中的时空图卷积块(GCN+Conv 部分) 先在空间维度图卷积，再在时间维度一维卷积，这样的分步操作并没有实现时空相关性的同步捕获。所以，本篇文章重点解决这个问题。1. Introduction首先，需要明确在时空网络中的节点的三类依赖关系。之所以会存在这

xxxx

全书划分为3个部分：第 1-4 章：主要介绍图神经网络所需的基础知识，包括图的基本概念、卷积神经网络以及表示学习第 5-9 章：主要介绍图卷积神经网络理论基础和性质、图神经网络的各种变体和框架范式、图分类以及基于GNN的图表示学习第 10 章：图神经网络目前的应用第一章 图的概述1.1 图的基本定义图 由顶点(vertex) 和边(edge) 构成，顶点表示研究对象，边表示两个对...

这里写目录标题0. 补充概念1. Introduction1.1 Motivation0. 补充概念（1）旅行商问题(travelling salesman problem, TSP)典型旅行商问题 举例：有个快递员分别要给3家顾客送快递，他自己到达每个顾客家的路程各不相同，每个顾客之间的路程也各不相同。那么，如果想要将快递依次送达，并最终返回起点，哪一条路线所走的总距离最短？思路1-枚...

1. Abstract本文目标是预测交通流，该问题最大的挑战是交通流数据的高度非线性和复杂的关系模式。现存的预测方法缺乏对交通流动态时空关系的建模，于是本文提出一种带注意力机制的图卷积神经网络 attention based spatial-temporal graph convolutional network (ASTGCN) model 具体思路：模型由3个独立的组件，每个组件分别对交通...

目录1. 模型框架1.1 训练数据生成1. 模型框架1.1 训练数据生成