GCN(交通预测)相关论文整理

T-GCN

早期研究

早期的方法只考虑了交通状况在时间上的动态变换，忽略可空间之间的相互依赖。一些研究引入了卷积神经网络来对空间特征进行提取，但普通卷积局限于处理像图像这种欧几里德结构的数据，对于交通数据这种复杂的拓扑结构效果不是很好。

本文贡献

本文引入了最近比较火的gcn，结合GRU来分别提取交通数据的空间特征和时间特征，达到不错的效果。网络也比较简单，亮点主要就是GCN的使用。

ST-GCN

本文亮点

1. 第一次用纯卷积的形式来提取时间特征
2. 提出了一个新的由时空块组成的神经网络，由于由于这个架构中是纯卷积操作，它比基于RNN的模型的训练速度快10倍以上，而且需要的参数更少。
   注意： 本文图的构建方法并不是基于实际路网，而是通过数学方法构建了一个基于距离关系的网络

网络结构

如上图，左边为整个网络，中间为ST-Conv Block具体结构，分为时间模块-空间模块-时间模块，来充分提取时空特征，空间模块就是gcn的应用。右边为时间模块的具体结构。

时间模块

  尽管基于RNN的模型可以广泛的应用于时间序列分析，用于交通预测的循环神经网络仍然会遇到费时的迭代，复杂的门控机制，对动态变化的响应慢。相反，CNN训练快，结构简单，而且不依赖于前一步。
  每个顶点的时间卷积的输入可以被看做是一个长度为M的序列，先进行一维卷积，即使用$1*K_t$1∗Kt​或$K_t*1$Kt​∗1大小的卷积核，这里使用$2C_o$2Co​个卷积核，得到的输出为$[P Q] \in \mathbb{R}^{(M-K_t+1) \times (2C_o)}$[PQ]∈R(M−Kt​+1)×(2Co​)然后接了一个门控线性单元(GLU)作为**，GLU定义为$\Gamma \ast_ \tau Y = P \otimes \sigma (Q) \in \mathbb{R}^{(M-K_t+1) \times C_o}$Γ∗τ​Y=P⊗σ(Q)∈R(M−Kt​+1)×Co​
⊗表示哈达玛积，文中还实现了残差连接，即P改为（P+X），X为时间模块的输入（为了实现残差，X直接取了$(M-K_t+1)$(M−Kt​+1)这个长度，即$X[K_t-1:]$X[Kt​−1:]）。

输出层

一个额外的时间卷积和全连接层。