Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting（AAAI202）
解决问题：实现交通流量预测
动机：
1.由于道路网络和交通条件所带来的复杂的时空相关性和不确定性；
2.这些方法受限于捕捉交通数据非线性的能力，而忽略或几乎不利用空间相关性
3. cnn限制模型处理网格结构(如图像和视频)，没有考虑以不规则道路网络为主的非欧几里
4. GCN存在两个限制：1）在一个固定的加权图中利用GCNs来建模空间依赖性 2）这些方法通常使用在给定的邻域范围内聚合的信息(即-hops内的邻域)，忽略多个范围信息。
模型
Multi-Range Attentive Bicomponent GCN (MRA-BGCN)，它不仅考虑节点间的相关性（The node-wise graph），还将边视为相互作用的实体（edge-wise graph ），以及利用多个范围信息（multi-range attention mechanism）
文章图片
(1) the bicomponent graph convolution module
包括node-wise graph convolution layers and edge-wise graph convolution layers ，他们实现对节点和边的相互作用进行建模。
文章图片
Stream connectivity
道路连接可能受到上下游道路连接的影响。如图3(a)所示，(→)是(→)的上游，因此它们是相关的。我们使用高斯核计算?中流连通性的边缘权值
文章图片
Competitive relationship
共享同一源节点的道路链路可能会争夺交通资源，产生竞争关系。共享目标节点的两条边(→)和(→)由于竞争关系而相关。
文章图片
(2) the multi-range attention layer
自动学习不同邻域范围的重要性，能够聚合不同社区的信息。多范围注意层对不同邻域范围内的信息进行聚合，并学习不同邻域的重要性范围而不是给定的邻域范围
文章图片
Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning
：
【时空数据预测（基于图神经网络）|图神经网络应用变体(时空数据挖掘一)】
推荐阅读
- python|使用Pytorch框架自己制作做数据集进行图像分类（二）
- 脑网络的图论分析|如何计算图论中的模块化modularity指标，图论中的社区检测算法——Louvain community
- #|数理统计与机器学习
- 可视化|文献阅读|Nomograms列线图在肿瘤中的应用
- 深度学习实战案例|【图像分类案例】(9) MobileNetV3 癌症图像二分类，附Pytorch完整代码
- #|李宏毅机器学习笔记4 -- DNN训练
- 使用K均值聚类的图像压缩
- 使用CNN的图像分类器原理和实现
- Python | NLP餐厅评论分析