- 博客(4)
- 收藏
- 关注
RSS订阅原创 Graph WaveNet文章阅读
文章标题《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》背景：之前对交通领域中抓取时空关联信息的方法中，无论是将GCN运用在RNN中或者是将GCN运用在CNN中，都存在两个很主要的缺陷。一个是不能够很好的反应两个节点间的关联性：即存在以下情况，两个节点直接相连但关联性不是很强或两个节点不直接相连但关联性很强，对于前一种情况先前有工作使用attention机制来对节点关系矩阵的权重进行重新赋值，但后一种情况的难题尚未解决。第二个缺陷在于先前的
2021-10-10 17:20:58
296
原创 STGCN论文阅读
文章标题：《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》背景因为本文是第一篇将图卷积用于提取空间和时间信息的文章，故之前文章使用的仿真模型（资源浪费大、且不合理的假设和简化使得效果很差）、统计方法（时间流具有高度不确定性，不可靠）、rnn一类的方法（只提取了时间信息没有提取空间信息）、cnn一类的方法（只处理了空间信息，没有结合时间信息）都不太兴，所以本文将
2021-09-29 22:30:14
1552
原创 《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》阅读
《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》： 先指出了三个问题：1：没有将历史交通流、时间、POI等多源因素很好的结合在一起2：用GNN的时候往往都是固定矩阵，然后固定矩阵不能很好的反应实时关系3：将进流量和出流量看成同个任务导致性能下降，看成两种任务性能会好一点，因为看成一种任务就忽视了流量序列之间的差异。然后本文的主要解决方法是：1：设计了一种gated fu
2021-09-27 22:21:59
322
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人