首先我们看看文章作者信息：
这个文章主要考虑的是交通流中的时空因素影响，这个文章采用的是encoder-decoder的架构，encoder和decoder都包含多个spatio-temporal attention blocks去建模时空影响。在encoder-decoder两部分之间，增加了a transform attention层，主要说是考虑预测的内容与未来内容之间的关系（就是依靠attention来计算这种关系），作者还说了一个作用就是防止错误传播。使用了两个真实的数据集（Xiamen dataset和PEMS dataset），做了两个任务（交通流量与交通速度的预测）。
交通在时间和空间上的影响
这篇文章主要的贡献：
1.spatial and temporal attention mechanisms
2.a transform attention mechanism
但是我个人觉得他提出的降低attention计算量的方法也算是一个创新点。
交通预测任务也是老生畅谈，即使用路网数据进行网络推断来进行预测：
这里C是道路上的节点数据，这里就是把历史时刻的交通流量作为一个多维度的特征进行处理。
下面我们来看看它的详细操作：
这篇文章与我们以前看到的文章的不同之处在于，它把道路结构当作一个网络进行了表示学习（就是节点表示），使用的方法是node2vector。他的时序序列也采用了了one-hot的方法进行了表示。
在使用注意力机制的时候，作者说了计算量大这个问题，所以在文中他提出了新的group的方式进行计算，我觉得这是一个创新点。
但是这个gated Fusion的作用我是实在没有弄懂，不知有没有大佬，可以留言告诉我一下。
最后我们就简单的贴下结果把，效果提升还是不错的，不过擅长的在长时间预测。
最后我把网址附上感兴趣的同学可以去浏览源码
https://github.com/zhengchuanpan/GMAN.
