《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》论文解读

基于时空图采用Graph WaveNet建模，其能够有效的处理大范围时间序列的时空图数据。在该模型架构中，主要包括两个模块，分别为GCN和TCN。两个模块融合获取时间空间的依赖关系。

该模型的框架如下：

目录

 

一、本论文的创新点如下：

二、方法：

2.1问题定义：

2.2 图卷积层（GCL）

2.2.1 自适应的邻接矩阵

2.3时间卷积层（TCL）

2.3.1 Gate TCN

2.4 Graph WaveNet的实验

---

一、本论文的创新点如下：

1. 构建能够保留其隐含空间关系的自适应邻接矩阵。自适应邻接矩阵在没有先验知识的前提下，从数据中挖掘隐含的图结构。
2. 提出了同时高效获取时空依赖关系的框架，该框架的核心思想是将扩张因果卷积与图卷积融合，进而每个图卷积层能够处理在不同细粒度下，由扩张因果卷积提取的每个节点信息的空间依赖关系。

二、方法：

2.1问题定义：

图G=(V,E)，其中，V为图的节点集合，E为边的集合。邻接矩阵A，如果两点之间有连线，则Aij为1，否则为0。在每一时间步t，图G的动态特征矩阵