概述：
交通预测是一个经典的时空预测问题，具有许多实际应用，如智能路线规划、动态交通管理和基于位置的智能应用。
由于交通数据的高度非线性和复杂性，近年来深度学习方法引起了人们的极大兴趣。然而，很少有方法能同时满足长期和短期的预测任务。针对现有研究的不足，在这篇论文中，我们提出了一个新的深度学习框架称为长期短期图卷积网络(LSGCN)处理两种流量预测任务。在这个框架中，我们提出了一个新的图注意网络cosAtt，并将cosAtt和图卷积网络(GCN)集成到一个空间门控块中。通过空间门控块和门控线性单元卷积(GLU)， LSGCN可以有效地捕捉复杂的时空特征，获得稳定的预测结果。通过对三个真实流量数据集的实验验证了LSGCN的有效性。
主要创新：
(1)我们提出了一种新的深度学习框架LSGCN，用于长期和短期交通预测任务。在LSGCN中，我们采用空间门控块和门控线性单元卷积(GLU)分别捕捉空间和时间特征。
2.提出了一种新的图注意网络cosAtt，并将GCN和cosAtt集成到空间门控块中。
LSGCN结构，P和Q是1-D Conv的输出。delta代表sigmoid激活函数。
cosAtt模块内容：
hi是第i个路网的交通数据特征。
我们展示了cosAtt和传统的GAT之间的关键区别。首先，使用cosAtt的权值分布作为输出，将GAT的权值分布加入到原始特征中。eij是hi与hj之间的相似值，是一个常数。所以cosAtt的计算是稳定的。
GLU的详细模块如下所示：
loss function：
实验结果：
总结：
在本文中，我们提出了一种新的用于长期和短期流量预测的图卷积网络模型LSGCN。
在LSGCN中，我们结合新的图注意网络cosAtt和GCN来精确地捕捉空间特征，同时采用GLU来捕捉时间特征。
在真实流量网络上的实验验证了LSGCN的有效性。在未来，我们将考虑我们的模型用于更一般的时空结构序列预测，如推荐系统中的偏好预测。
更多相关专业文章，欢迎关注公众号！