概述
时空网络数据预测在交通管理和城市规划的大量应用中具有重要意义。然而，潜在的复杂时空相关性和异质性使这个问题具有挑战性。现有的方法通常使用单独的分量来获取时空相关性，而忽略了时空数据的异质性。在本文中，我们提出了一个新的模型，名为时空 同步图形卷积网络(STSGCN)，用于时空网络数据预测。通过精心设计的时空同步建模机制，该模型能够有效地捕捉复杂的局域时空相关性。同时，在模型中设计了多个不同时间段的模块，以有效地捕获局部时空图中的异质性。在四个真实数据集上进行了广泛的实验，证明了我们的方法达到了最先进的性能，并始终优于其他基线。
本文的主要创新：
- 提出了一种新的时空图卷积模块，以同步捕获局部的时空相关性，而不是分别使用不同类型的神经网络模块。
- 构造了一个多模块层来捕捉远程时空图的异质性。这个多模块层在每个时间段部署多个模块，允许每个模块集中于在每个本地化的时空图上提取时空相关性。
STSGCN由多时空同步卷积图形组成
层(STSGCLs)与输入和输出层。
它使用一个输入层将输入特征转换为一个更高维度的空间。然后叠加多组STSGCLs，获取时空网络序列中局部的时空相关性和异质性。最后，它使用一个多模块输出层来将最终的表示映射到输出空间。
这是根据前后相邻三个时间片段重新构造的链接矩阵。也就是文中的localized spatial-temporal graph signal matrix。
(a)是建筑空间的一个例子时序同步图形卷积模块，具有两个图形卷积操作。Cin和Cout分别为输入矩阵和输出矩阵的特征个数，AGG为聚集层。(b)表示聚合操作的输出。(c)是聚合层中剪切操作的一个例子，它只保留中间时间步骤中的节点。
graph convolution就是简单的图卷积操作。
AGG包含两个操作，一个是aggregation operation，就是max-pooling。具体操作如下：
另外一个操作就是cropping operation，就是只保留中间时刻的结果。
loss function如下所示：
实验结果如下所示：
我觉得这篇文章将时空信息同时考虑的想法比较新颖。
更多相关专业文章，欢迎关注公众号！