时空图建模可用于分析空间关系和时间趋势。现有的方法大多捕捉固定图形结构上的空间依赖性，假设实体之间的底层关系是预先确定的。显式图结构（关系）不一定反映真实的依赖关系。且现有的方法对于捕捉时间趋势是无效的，因为其使用的RNN或CNN不能捕获长时间序列。本文提出了一种新的用于时空图建模的图神经网络结构Graph WaveNet。开发一种新的自适应依赖矩阵并通过节点嵌入进行学习，故可以捕获数据中隐藏的空间依赖。Graph WaveNet具有一个堆叠的扩展一维卷积组件，其感受野随着层数的增加呈指数增长，能够处理非常长的序列。整个框架以端到端的方式学习。
时空图建模通过假设连接节点之间的相互依赖性，对动态节点级输入进行建模。
交通速度预测，在对每条道路上的交通速度时间序列数据建模时，自然会将交通系统的底层图结构视为节点之间相互依赖关系的先验知识。
时空图建模一个基本假设是节点的未来信息取决于其历史信息及其邻居的历史信息。故要同时捕获空间和时间依赖性。
目前对时空图建模的研究主要有两个方向。要么将图卷积网络（GCN）集成到循环神经网络（RNN）中，要么集成到卷积神经网络（CNN）中。目前两大缺点：1.这些研究假设数据的图结构反映了节点之间真正的依赖关系。但是现实中可能存在有连接但是两个节点之间不存在相互依赖关系，或两个节点之间存在相互依赖关系但缺少连接的情况。2.目前的时空图建模研究对于学习时间依赖性是无效的。基于RNN的方法在捕获远程序列时会遇到耗时的迭代传播和梯度爆炸/消失。相反，基于CNN的方法具有并行计算、梯度稳定和低内存需求的优势。然而，这些工作需要使用许多层来捕获非常长的序列，因为它们采用标准的1D卷积，其感受野大小随着隐藏层数量的增加而线性增长。
本文提出基于CNN的名为Graph WaveNet的方法。提出了一种图卷积层，在该层中，通过端到端的监督训练，可以从数据中学习自适应邻接矩阵。自适应邻接矩阵保留了隐藏的空间依赖关系。受WaveNet启发，我们采用堆叠的扩展因果卷积来捕获时间依赖性。随着隐藏层数量的增加，堆叠的扩张因果卷积网络的感受野大小呈指数增长。在堆叠的扩展因果卷积的支持下，Graph WaveNet能够高效地处理具有长时间序列的时空图数据。
本文贡献：1.构造了一个自适应邻接矩阵来保持隐藏的空间依赖性。2.提出了一个同时捕获时空依赖关系的有效框架。其核心思想是将我们提出的图卷积与扩展的因果卷积结合起来，每个图卷积层处理由扩展的因果卷积层在不同粒度级别提取的节点信息的空间依赖性。
图卷积网络是学习图结构数据的构造块。图卷积网络有两大主流：基于谱的方法和基于空间的方法。基于频谱的方法使用图频谱滤波器平滑节点的输入信号。基于空间的方法通过聚集邻域的特征信息来提取节点的高级表示。在这些方法中，邻接矩阵被视为先验知识，并且在整个训练过程中是固定的。大多数时空图网络遵循两个方向，即基于RNN和基于CNN的方法。于RNN的方法的主要缺点是，它对于长序列来说效率很
373
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
