【论文标题】Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting 【作者标题】Li Mengzhang, Zhu Zhanxing 【发表时间】2020/12/15 【论文链接】https://arxiv.org/pdf/2012.09641.pdf 【推荐理由】本文出自北京大学，针对交通流的时空数据预测复杂性问题，本文提出了一种新颖的时空融合图神经网络（STFGNN）进行交通流量预测，实验结果表明，该方法的预测性能优于其它相关基准。

交通流的时空数据预测因为复杂的空间依赖性和不同道路之间的时空模式的动态趋势是一项具有挑战性的任务。现有框架通常利用给定的空间邻接图和复杂的机制来对空间和时间相关性进行建模。但是，具有有限不完整相邻连接的给定空间图结构可能会限制那些模型的有效时空依赖关系学习。此外，在解决复杂的时空数据时，现有方法通常使用单独的模块进行时空相关性，或者仅使用捕获局部或全局异构依赖项的独立组件。为了克服这些限制，本文提出了一种新颖的时空融合图神经网络（STFGNN）进行交通流量预测。 首先，提出了一种生成“时间图”的数据驱动方法，以补偿空间图可能无法反映的几种现有相关性。 SFTGNN可以通过对各种时空图进行并行处理的融合操作，实现有效地学习被隐藏时空依赖性。同时，通过将该融合图模块和新颖的门控卷积模块集成到一个统一的层中，SFTGNN可以通过学习更多的时空相关性来处理长序列，并将这些层堆叠在一起。在几个公共交通数据集上的实验结果表明，该方法与其他基准相比，始终表现最先进的性能水平。

下图为STFGNN架构的详细图示，（a）是时空融合图输入的示例，它将沿时间轴迭代生成。（b）是时空融合图的示例，其大小K分别为4和3。（c）是STFGNN的整体结构，其CNN模块和STFGNN模块是并行的。（d）是时空融合图模块的详细架构，每个模块也将接受独立训练，以从（a）并行并行地生成输入。

图1 STFGNN框架

内容中包含的图片若涉及版权问题，请及时与我们联系删除