STGCN论文阅读

最新推荐文章于 2025-04-04 10:40:24 发布

苏苏苏苏生

最新推荐文章于 2025-04-04 10:40:24 发布

阅读量1.5k

点赞数 1

分类专栏：交通文献阅读文章标签： python 时序数据库

本文链接：https://blog.youkuaiyun.com/qq_41848820/article/details/120557697

版权

本文介绍了一种创新的深度学习框架——Spatio-Temporal Graph Convolutional Networks (STGCN)，首次将图卷积应用于交通流量预测，通过结合空间和时间信息，显著提升预测精度。文章详细解析了图卷积理论、模型构建及两种优化方法，展示了在BJER4和PeMSD7数据集上的优秀性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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，所以本文将图卷积试在交通预测流上。

前置知识：

问题定义如下，简单的说就是即通过前[t-m+1,t] 的交通流量状态来预测[t+1,t+H]的交通流量状态。但因为本文使用的是图卷积，所以是将每一个时刻的整个图的流量视为一个状态，用以预测后续的图的流量状态。

图的结构如下：由 $\mathcal{G}_{t}=\left(\mathcal{V}_{t}, \mathcal{E}, W\right)$ 来定义 $\mathcal{V}_{t}$ 表示节点，即各个传感器的位置， $\mathcal{E}$ 表示边,即各条边相连，W表示权重，即距离。

然后是现有的两种图卷积一种是拓展集合的空间定义，即将顶点重新排列成特定的网格形式以便可以进行卷积，第二种是利用图形傅里叶变换在谱域进行操作，又称为 spectral graph convolution谱图卷积。然后本文使用则引入了图卷积算子的概念，不过本质还是基于谱图卷积。

公式（1）如下： $\Theta *_{\mathcal{G}} x=\Theta(L) x=\Theta\left(U \Lambda U^{T}\right) x=U \Theta(\Lambda) U^{T} x$ ,其中 $\Theta$ 是kernel， $*_{\mathcal{G}}$ 代表图卷积算子，U则由拉普拉斯矩阵变化而来，即 $L=I_{n}-D^{-\frac{1}{2}} W D^{-\frac{1}{2}}=U \Lambda U^{T} \in \mathbb{R}^{n \times n}$ ,I_n是一个单位矩阵，D是对角矩阵，其中 $D_{ii}=\sum_{j}W_{ij}$ ， $\Lambda$ 是L的特征值对角矩阵，经过上述公式即可将X进行滤波然后进行卷积。

模型

本文提出了spatio-temporal graph convolutional networks (STGCN)模型，模型图如下。这张图应当从左往右看，即右边为左边部分组件的解释。从最左边我们可以看到将输入经过两层ST-Conv blocks，再经过FC即可完成输出。而ST-Conv blocks由三层组成，分别是Temporal Gated-Conv–>Spatial Graph-Conv–>Temporal Gated-Conv组成（其实每层原理都一样，就是通道数变了），然后Temporal Gated-Conv由一个1-D Conv和GLU（门控线性单元）组成。