论文笔记《Spatial-Temporal Synchronous Graph Convolutional Networks》

最新推荐文章于 2025-03-27 20:28:56 发布

mintminty

最新推荐文章于 2025-03-27 20:28:56 发布

阅读量7k

点赞数 28

分类专栏：论文笔记

本文链接：https://blog.csdn.net/mintminty/article/details/106996420

版权

回顾下前面的这篇文章论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》
在这里插入图片描述
在这篇文章中存在一个问题，即模型中的时空图卷积块(GCN+Conv 部分) 先在空间维度图卷积，再在时间维度一维卷积，这样的分步操作并没有实现时空相关性的同步捕获。所以，本篇文章重点解决这个问题。

1. Introduction

在这里插入图片描述
首先，需要明确在时空网络中的节点的三类依赖关系。之所以会存在这三类依赖关系，是因为时空网络的信息分别在时间和空间维度同时传递。

其次，明确现有模型存在的问题。

多数模型都只直接捕获了前两种依赖关系，然后通过将空间表征喂入到针对时间维度建模的模块中，以捕获第三种依赖关系，并不是同时捕获的。
时空网络数据通常在时间维/空间维具有异质性，例如在城市路网中，居住区和商业区在不同时刻常具有不同观测特征，但是以往的模型针对不同时间共享模型结构，这样一来不能很好地捕获异质性。

最后，明确本文思路。

构造了局部时空图，它将相邻时间步长的单个空间图连接成一个图。
设计Spatial-Temporal Synchronous Graph Convolutional Module (STSGCM) 模块，用以提取局部时空图的时空相关性。
设计Spatial-Temporal Synchronous Graph Convolutional Layer (STSGCL) 层，即在不同时间段部署多个STSGCM，用以捕获长程时空网络数据的异质性。
堆叠多个STSGCL 以聚合长程时空关系和异质性，并得到最终预测结果。

在这里插入图片描述

注：这个局部时空图是为后续的图卷积操作服务的，目的是体现各个节点与其多阶邻居的关系，每个节点既有与其同时间步的邻居，还有前后两个时间步的自身节点，还有前后两个时间步自身节点的邻居节点（二阶邻居）。

当将不同时间步的节点放到同一个局部时空图中，就模糊了节点在时空维度的属性。因此，为解决该问题，作者在时空网络序列中添加位置嵌入信息。

对于每个时空网络序列 $X_g \in \mathbb{R}^{N\times C\times T}$ ，加一个可学习的时间嵌入矩阵 $T_{emb} \in \mathbb{R}^{C\times T}$ 和空间嵌入矩阵 $S_{emb} \in \mathbb{R}^{N\times T}$ ，通过广播机制将两个嵌入矩阵添加到时空网络序列中，得到新的网络序列表示
这两个嵌入矩阵是作为参数学习得到的，训练结束后，这两个嵌入矩阵将包含时间和空间信息，从而帮助模型捕获时空相关性