yilulvxing的博客

论文：《Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction》下载链接：链接：https://pan.baidu.com/s/1fiSaVRkdJ2ywB_8nufgMjw 提取码：y3hr2020年发表在IEEE Transaction on Intelligent Transpotation System上的一篇文，文中的一些多图构造逻辑及思路可以借鉴。1：摘要交通流预测在智能交通系统中扮...

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。前几篇介绍了谱域图卷积及空域图卷积：图卷积神经网络1-谱域卷积：拉普拉斯变换到谱域图卷积图卷积神经网络2-谱域卷积：SCNN/ChebNet/GCN的引入和介绍图卷积神经网络3-空域卷积：GNN/GraphSAGE/PGC的引入和介绍图卷积神经网络4-空域卷积：空域卷积局限性分析和过平滑解决方案本篇博客主要讲解图卷积神经网络

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。目录1：图卷积神经网络回顾2：空域图卷积局限性分析3：过平滑问题的若干缓解方案4：总结1：图卷积神经网络回顾图卷积神经网络分类：上图列出的图卷积缺点，使得谱域图卷积不能实际使用，而造成这种缺点的原因是正交基，能不能找到另外的基来代替呢？下面来看通过切比雪夫公式来看：为什么使用切比雪...

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。1：简介1.1：回顾谱域卷积1.2：谱域图卷积的缺陷2：空域卷积模型2.1：GNNGNN回答卷积就是：固定数量领域节点排序后，与相同数量的卷积核参数相乘求和。这有点绕口，实际上就是说，GNN认为卷积分为两步，第一步构建领域，第二步对领域上的节点与卷积核参数进行内积操作（..

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。目录1：简介2：SCNN3：ChebNet4：GCNGCN特点5：总结5.1：图卷积实现思路5.2：谱域图卷积实现理论支撑5.3：经典图谱卷积上一篇文章链接：文章地址继续上一篇的图卷积推导过程：上面公式推导的结果就是谱域图卷积最终的公式，所有的谱域图卷积的原理就是这个公式，只是对滤波器 ​做.

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。目录：图卷积近年发展图卷积简介2.1. 经典卷积神经网络的应用2.2. 经典卷积神经网络的局限2.3. 如何将卷积操作拓展到图结构数据中？谱域卷积3.1. 图谱卷积背景知识3.2. 图谱卷积的数学知识3.3. 图傅里叶变换3.4. 图傅里叶反变换3.5. 图傅里叶正变换3.6. 经典傅里叶变换与图傅里叶变换的对比3.

Pytorch代码地址1:目录结构基于图神经网络实现的交通流量预测，主要包括：GCN、GAR、ChebNet算法。2:数据集信息数据来自美国的加利福尼亚州的洛杉矶市，CSV文件是关于节点的表示情况，一共有307个节点，npz文件是交通流量的文件，每5分钟输出节点数据信息。数据集信息：PEMS-04数据时间范围：2018.1.1—2018.2.28节点信息：共307个检测器，即Nodes数量为3073个特征：流量值，占有率，速度值。3:数据探索dataView.py 文件为数据可视

论文原始链接1:摘要实时准确的交通预测在智能交通系统中城市交通规划，交通管理和交通控制起着重要的作用和意义。然而，由于城市道路网络拓扑结构的约束和时间的动态变化规律，流量预测一直被认为是一个科学问题，即：空间依赖和时间依赖。为了捕获时空间依赖性，本文提出了T-GCN（temporal graph convolutional network），模型融合了图卷积网络(GCN)和门控递归单元(GRU)。GCN用于学习复杂的拓扑结构来捕获空间依赖关系，GRU用于学习交通数据的动态变化来捕获时间依赖关系。T-GC

原始论文地址1：摘要和引言最近几年，深度学习在解决复杂问题已经取得较好的效果，并且利用多种深度学习技术的组合能够处理交通业务的很多问题，如处理时间、空间依赖关系。传统上，很多研究工作将交通网络建模为网格或者分段的结构化的形式，但是很多交通网络本质上是图的结构，非图结构建模会导致某些有用的空间信息的丢失。随着图神经网络 graph neural networks (GNNs)的提出和应用。交通领域中，构建基于图视角的深度学习框架也越来越多。本论文旨在对这些框架进行总结，提供一个全面、深入、细致、实用性强的

1：论文信息1.1：论文思路1.2：摘要引言总结

说明：网上很多教程讲述安装Pytorch的步骤较为繁琐，对新手不太友好，本文主要讲述在win7/win10环境下，离线安装Pytorch的教程，过程非常简单，并且速度也非常快，前后5分钟即可，前提是需要安装Anaconda，后续可以直接利用pip命令进行离线安装即可。备注：本教程安装的是CPU版本的Pytorch主要步骤1：加载阿里云pip镜像2：下载国内pytorch镜像包3：离线安装步骤1：加载阿里云pip镜像 第一步加载阿里云pip镜像，使其后续pip安装下载命令更快。首先在C盘Use

论文地址GitHub代码地址论文题目为《基于双阶段注意力机制的循环神经网络》,文章本质上还是基于Seq2Seq的模型，结合了注意力机制实现的时间序列的预测方法，文章的一大亮点是：不仅在解码器的输入阶段引入注意力机制，还在编码器阶段引入注意力机制，编码器的阶段的注意力机制实现了特征选取和把握时序依赖关系的作用。分为两个阶段：第一阶段：使用注意力机制从而能够自适应提取每个时刻的特征，这是本文的最大亮点第二阶段：使用注意力机制选取与之相关的encoder hidden states1:模型架构图

1：Pytorch中的LSTM中输入输出参数nn.lstm是继承nn.RNNBase，初始化的定义如下：class RNNBase(Module): ... def __init__(self, mode, input_size, hidden_size, num_layers=1, bias=True, batch_first=False, dropout=0., bidirectional=False):...

CNN在图像和提取空间信息中有着广泛应用，本篇博客以图像解释为主，省去了CNN基础内容的概述，主要讲述单通道卷积核多通道卷积的详细过程，并以Pytorch代码示例。1：单通道卷积以单通道卷积为例，输入为（1,5,5），分别表示1个通道，宽为5，高为5。假设卷积核大小为3x3，padding=0，stride=1。卷积过程如下：相应的卷积核不断的在图像上进行遍历，最后得到3x3的卷积结果，结果如下：2：多通道卷积1以彩色图像为例，包含三个通道，分别表示RGB三原色的像素值.

1：前言利用CNN、LSTM 和Conv1D+LSTM 分别对同一数据集进行预测分析，并用训练集和测试集比较结果；

1:前言2:目录2.1 RNN的介绍与应用于什么场景2.2 SimpleRNN的缺陷2.2 Standard RNN2.3 LSTM引出三个门控机制的原因和各个门控实现的机制2.4 各个门的激活函数2.5 LSTM实现的详细结构图2.6 参考文献及资料2.1:RNN的介绍与应用于什么场景在传统神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点...