【时空图神经网络 & 交通】相关模型2:STSGCN | 时空同步图卷积网络 | 空间相关性,时间相关性,空间-时间异质性

注:仅学习使用~

前情提要:

  • 【时空图神经网络 & 交通】相关模型1:STGCN | 完全卷积结构,高效的图卷积近似,瓶颈策略 | 时间门控卷积层:GLU(Gated Linear Unit),一种特殊的非线性门控单元

目录

  • STSGCN-2020年
    • 1.1 背景
    • 1.2 模型
      • 1.2.1 问题背景:现有模型存在的问题
      • 1.2.2 模型
    • 1.3 问答
      • Q1:STSGCM
        • 补充:构造局部时空图的方式(Localized Spatial-Temporal Graph Construction)
        • 空间-时间嵌入(时空嵌入)——Localized Spatial-Temporal Graph Construction
        • 聚合操作——Aggregating operation
        • STSGCL
      • Q2
      • Q3
      • Q4:用到了哪些数据集?
      • Q5

STSGCN-2020年

1.1 背景

该文章来自于AAAI会议(国际先进人工智能协会),是国际顶级人工智能学术会议之一。

【时空图神经网络 & 交通】相关模型2:STSGCN | 时空同步图卷积网络 | 空间相关性,时间相关性,空间-时间异质性_第1张图片

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一问题具有挑战性。现有方法通常使用单独的组件来捕捉空间和时间相关性,而忽略了时空数据的异质性

你可能感兴趣的:(百题千解计划(项目,实战,案例),STSGCN,空间-时间同步图卷积模块,STSGCM,深度学习,人工智能,Traffic,空间-时间异质性)