【论文】时空预测模型Spatio-Temporal Graph Convolutional Networks

STGCN流量预估模型论文解读

《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》，Bing Yu, Haoteng Yin, Zhanxing Zhu，Peking University, Beijing, China

背景

流量预估 traffic forecast for short-term (5∼30min), medium and long term (over 30min).
本文提出一个深度学习框架Spatio-Temporal graph convolutional network, 用图网络来建模交通网络，用卷积网络建模time axis. 这是第一次在交通研究中应用纯卷积结构从图结构时间序列中同时提取时空特征。

交通预测数据

这是经典的时间序列预测问题，用vt及其前M个时间点，预测v_t+1及其后H个时间点：

在这里，我们用graph来表示每一个v_t, 如下图

每一个v_t（即每一张图）表示一个时刻，包含n个顶点，模拟的是n个传感器的结果。每M张图构成一条数据

模型结构

模型结构：两层时空卷积块+输出层，其中，时空卷积块由 时域卷积块1 + 空域卷积块 + 时域卷积块2 组成

时域卷积块在每个时间步之间进行；空域卷积块在每个时间步内进行

时域卷积块

输入：$X\in R^{M\ast n\ast C_i}$, 文中$C_i$设为了1
对于每一个节点来说，维度是$R^{M\ast C_i}$，
卷积的kernel维度是$K\in R^{K\ast 2C_o}$,
所以，一维卷积的输出维度是$R^{(M-K+1)\ast 2C_o}$